[发明专利]一种三维模型部件的自动检测方法

说明书

本发明公开了一种三维模型部件的自动检测方法，包括离线训练和在线检测两个部分。离线训练时采用带有部件标注的三维模型集作为训练数据，对于数据集中的每个三维模型：在均匀采样的视角下进行光照渲染生成图像，依据部件标注计算每个部件在各个图像中的显著性并筛选出具有较高显著性的部件标注，利用图像和对应的部件标注训练FasterR‑CNN检测模型。在线检测时，对于一个待检测的三维模型：在均匀采样的视角下进行光照渲染生成图像，利用上面训练好的FasterR‑CNN模型检测每张图像中的部件，由检测结果(包围框和标签)为其框中的顶点投票，最后依据投票结果筛选出可能属于各个部件类别的顶点并生成包围盒。

技术领域

本发明属于计算机图形学技术领域，尤其涉及一种三维模型部件的自动检测方法。

背景技术

形状结构分析是形状理解和处理的基础，许多高层次的形状处理应用(例如风格发现、实例建模，纹理合成等)都依赖于形状结构分析。这些应用的大多数情况中，采用人工定义方式进行输入三维模型的部件结构与标签。例如，人体网格纹理合成的应用中，需由人工辨别网格中具有“胳膊”纹理的部分、或具有“腿”纹理的部分等等。另外，一些并不直接要求结构分析的应用(例如三维形状匹配或检索)也可从组成部件及标注的信息中获益。

形状结构分析通常是通过模型分割与标注来实现的。传统单模型分割方法依据底层几何特征来提取有意义的分割，如文献1：Shamir A.Asurvey on Mesh SegmentationTechniques.ComputerGraphics Forum 2008；27(6):1539–56.但这种方法难以建立起一个精确的数学模型来描述什么是有意义的形状部件以及部件所属类别。联合分割方法利用了同类三维模型之间的一致性关系，能够获取有意义的形状部件，如文献2：Hu R,Fan L,LiuL.Co-Segmentation of 3D Shapes via Subspace Clustering.Computer GraphicsForum 2012；31(5):1703–13.但这种方法要求输入是多个同类别的三维模型，无法处理单个的或者跨类别的三维模型。基于学习的标注方法能够同时获取到有意义的形状部件及其标签，如文献3：Yi L,Kim V G,Ceylan D,et al.Ascalable active framework forregion annotation in 3d shape collections.ACM Transactions on Graphics,2016,35(6):210.但这类方法或多或少需要一些用户交互。

上述方法都遵循一个自底向上的过程，要先提取底层几何特征，再从中获取高层语义信息。这使得它们对特征敏感，并且泛用性差。这些方法还有一个共同点，就是它们的目标都是要提取精确的部件边界。但是有些应用只是需要对三维模型进行结构分析，而并不需要精确的部件边界。例如在语义检索中，需要提取三维模型的结构知识，如文献4：Attene M,Biasotti S,Mortara M,Patane`G,Spagnuolo M,FalcidienoB.Computationalmethods for understanding 3D shapes.Computers&Graphics 2006；30(3):323–33.它关注模型部件之间的关系，而不关心部件本身。还有在模型集组织管理中，文献5：Fish N,Averkiou M,van Kaick O,Sorkine-Hornung O,Cohen-Or D,Mitra NJ.Meta-representation of shape families.ACM Transactions onGraphics 2014；33(4):1–11.甚至直接用部件包围盒来表示部件。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于多视角的三维模型部件的自动检测方法，用于支持对三维模型部件的自动检测。

为了解决上述技术问题，本发明公开了一种基于多视角的三维模型部件的自动检测方法，包括以下步骤：