[发明专利]一种多类别三维模型部件自动标注方法

权利要求书

1.一种多类别三维模型部件自动标注方法，其特征在于，所述方法包括如下步骤：

对目标三维模型进行特征提取，包括提取每个网格面片的面片特征、每条网格边的边特征以及目标三维模型的全局特征；

基于所提取的特征，采用已训练好的标注模型对目标三维模型的面片集进行部件类别标注、对目标三维模型的每条网格边进行边界边的类别标注、对目标三维模型本身进行对象类别一致性标注；

针对目标三维模型构建图模型，图中节点为网格面片、边存在于相邻网格面片之间以及全局节点和各网格面片之间，将面片的部件类别标注的负概率对数作为标注模型的数据项、将网格边从属于边界边的标注负概率对数作为标注模型的平滑项、将目标三维模型对象类别一致性标注的负概率对数作为标注模型的协调项；

采用图割优化算法计算出目标三维模型中每个网格面片的标注；

采用扩展的α-expansion图割优化算法，通过计算图最小割的方式，计算三维模型上每个面片的最佳标注l，来最小化能量项：

E(l)＝E_data(l；X_f)+E_smooth(l,l'；X_e)+E_harmony(l,g；X_g)

其中：E_data(l；X_f)为标准模型的数据项；E_smooth(l,l'；X_e)为标注模型的平滑项；

E_harmony(l,g；X_g)为标注模型的协调项；

所述标注模型的数据项训练方法包括如下步骤：

计算度量网格面片的面片特征向量X_f与其标注l一致性的标注模型的数据项E_data(l；X_f)，其中标注l∈P，P为预定义的所有可能的标注集合；

根据实例集中所有三维模型的面片集及其面片特征向量X_f，以及每个网格面片相应的标注类别采用JointBoost分类器进行训练学习，从而获得具有面片特征向量X_f的网格面片，标注为l的概率分布P(l|X_f)，相应的数据项则为：E_data(l；X_f)＝-logP(l|X_f)；

所述标注模型的平滑项训练方法包括如下步骤：

计算度量边特征向量X_e与共享边的相邻面片标注l、l'一致性的标注模型的平滑项E_smooth(l,l'；X_e)；

采用JointBoost分类器进行训练，从而获得边界边，即边两侧的相邻面片标注不相同的概率分布P(l≠l'|X_e)，相应的平滑项为E_smooth(l,l'；X_e)＝-log(P(l≠l'|X_e))；

所述标注模型的协调项训练方法包括如下步骤：

计算度量全局特征向量X_g与该三维模型内面片标注l一致性的标注模型的协调项E_harmony(l,g；X_g)；

采用JointBoost分类器进行训练，获得某类对象中标注为非该类部件的概率相应的协调项为

2.根据权利要求1所述的多类别三维模型部件自动标注方法，其特征在于，对所述标注模型进行训练的方法包括：

采用包含多种不同类别部件的三维模型构建训练集；

对训练集中三维模型进行标准标注，标注信息包括三维模型所属对象的类别标注、三维模型中每个网格面片从属于构成部件的类别标注、每条网格边从属于边界边的类别标注；

将训练集划分为实例集和验证集；

对实例集中三维模型进行特征提取，包括提取网格面片的面片特征、每条网格边的边特征以及三维模型的全局特征；

采用所提取的特征结合标准标注分类训练出标注模型的数据项、平滑项和协调项；

利用验证集搜索标注模型的最优平滑项和协调项权重参数。