[发明专利]基于大尺度网格模型表示的实时稀疏编辑方法和系统

权利要求书

1.一种基于大尺度网格模型的实时稀疏编辑方法，其特征在于，包括：

构建由相同网格拓扑的模型组成的模型库；

提取该模型的原始特征向量，将该原始特征向量转化为可以编码模型大尺度形变的第一特征向量，并形成该模型库的第一特征向量集合；

对该第一特征向量集合进行全局稀疏优化，提取第二特征向量集合；

确定目标模型上的控制顶点位置；

以该目标模型的特征向量为该第二特征向量集合的一个线性组合向量，对该线性组合向量进行稀疏优化，得到编辑特征向量；

根据该控制顶点位置和该编辑特征向量，得到该目标模型的形变模型。

2.如权利要求1所述的实时稀疏编辑方法，其特征在于，形成该第一特征向量集合的步骤包括：

对于该模型的顶点i，通过最小二乘方法得到顶点i由参考网格转化到三角网格的一阶邻域的仿射变化T_i，并对该仿射变换T_i进行极分解得到刚体变换矩阵R_i与实对称矩阵S_i；

将R_i转化为轴角表示(ω_i，θ_i)，其中ω_i为旋转轴，θ_i为旋转角，||ω_i||＝1；将旋转轴和旋转角进行整数优化，使得相邻的顶点之间的旋转轴差值和旋转角差值均为最小值；

将优化过的旋转轴和优化过的旋转角转换为刚体变换矩阵R′_i，并进行矩阵对数操作log(R′_i)，通过log(R′_i)和S_i得到描述该模型的平移无关并可表示大尺度形变的该第一特征向量；

获取该模型库中所有模型的第一特征向量，形成该第一特征向量集合。

3.如权利要求1所述的实时稀疏编辑方法，其特征在于，通过局部稀疏优化提取该第二特征向量集合的步骤包括：

将该第一特征向量集合记为F，其中m是每个该模型的原始特征向量的维数，n是该原始特征向量的数量；

以全局稀疏优化对F进行降维提取部分稀疏具有局部形变信息的第二特征向量集合C，其中K为正整数，K≤n，k为正整数，k≤K，是权重矩阵，Ω(C)为C的正则项，其中为C的第k列第i个元素，Λ_k，i是该模型的顶点i到该模型的中心点c_k的测地距离，且c_k被映射到了[0，1]之间。

4.如权利要求1所述的实时稀疏编辑方法，其特征在于，以该线性组合向量进行稀疏优化以得到该编辑特征向量的步骤包括：

建立稀疏能量函数其中T_i(w)为该目标模型的目标模型网格第i个顶点上的组合的局部变形，w_l是在第l个所提取特征向量的权重，是第l个特征向量上第i个位置的旋转特征，是第l个特征向量上第i个位置的缩放特征，N(i)是与顶点i直接通过边相连的顶点的索引集合，p′_i、p′_j分别为该目标模型网格的相邻顶点i′、j’位置，p_1，i、p_1，j分别为从该模型库中选取的参考模型的相邻顶点i、j位置，λ为稀疏项的权重，c_ij是p′_i、p′_j这两个顶点所形成的边上的余切权重；

使用ADMM算法和高斯牛顿梯度下降的方法来求解该稀疏能量函数，以得到该编辑特征向量。

5.如权利要求4所述的实时稀疏编辑方法，其特征在于，得到该变形模型的步骤包括：

以该编辑特征向量，通过SVD分解得到该目标模型上每个顶点的刚体变换R_i，使得将其转化为线性方程组进行求解，从而得到该变形模型。