[发明专利]一种基于草绘图的三维模型检索方法

摘要

本发明公开一种基于草绘图的三维模型检索方法。该方法提出了一种新的草绘图像结构化特征，并将其运用在三维模型检索中，提高了基于草绘图三维模型检索的效果。该方法首先对数据库中的三维模型提取视角轮廓图，然后对视角轮廓图提取KRD特征并将其存入数据库中。在对用户输入的草绘图提取草绘图KRD特征后，再通过EMD特征匹配的方法找到数据库中与草绘图相似的视角轮廓图，进而确定出视角轮廓图对应的三维模型。该方法充分挖掘了草绘图像在结构方面的特点，具有良好的鲁棒性和准确性，同时它的计算量不大，完全可以满足实际应用的需求。

主权项

一种基于草绘图的三维模型检索方法，其特征在于该方法包括离线预处理阶段和在线处理阶段；所述的离线预处理阶段的具体步骤如下：步骤1、使用Direct3D对数据库中的每个三维模型进行渲染，对渲染后的三维模型选择多个视角方向进行投影；渲染后的三维模型经过每个视角方向的投影产生一张轮廓图，从而产生若干张轮廓图，每张轮廓图命名为视角轮廓图；步骤2、为每张视角轮廓图提取出关键结构分布特征KRD：首先，利用最小二乘的方法对视角轮廓图做矢量化处理，把视角轮廓图转换为矢量轮廓图；所述的矢量轮廓图为由若干条线段组成的图形；然后根据矢量轮廓图中相邻两条线段的夹角大小找出矢量轮廓图中的关键结构，并记录下每一个关键结构在矢量轮廓图的位置；最后将关键结构在极坐标系下的空间分布直方图作为视角轮廓图的特征KRD；上述步骤2中所述的矢量轮廓图的关键结构的定义为：关键结构由矢量轮廓图中相邻两条线段组成，其中这两条线段的夹角大于30度；上述步骤2中对图像进行矢量化处理的过程如下：(1)设集合S＝{v1,v2,…，vn}表示图像黑色像素点集合，集合T＝{L0,L1,L2,…，Ln}表示已经拟合的直线集合，v1,v2,…，vn表示图像中的第1,2,…，n个黑色像素点，L0,L1,L2,…，Ln表示由集合S中的若干像素点组成的第1,2,…，n+1条直线；(2)若集合S不为空，那么在集合S中随机选定一个像素点v'，并将把像素点v'从集合S中去掉；同时以像素点v'为基准点，在它的八联通邻居像素点中挑选一个属于集合S的点v0，以像素点v'与像素点v0两点连接形成的直线L'作为初始直线，设L'的方程为ax+by+c＝0；若集合S为空则算法终止；(3)遍历集合S中的每一个像素点，找出到直线L'距离最小的像素点vk，若像素点vk到直线L'的距离小于阈值，那么将vk加入直线L'上的像素点集合中，并利用最小二乘法重新计算L'的方程，重复第(3)步；若像素点vk到L'的距离大于阈值，将L'加入集合T中并跳至第(2)步；步骤3、把步骤2提取出的视角轮廓图特征KRD存入数据库中，形成特征库；所述的在线处理阶段的步骤如下：步骤4、用户在系统画图板上输入一幅草绘图；步骤5、提取步骤4草绘图像KRD特征f，该特征提取方法与步骤2方法相同；步骤6、利用EMD算法计算草绘图像KRD特征f与步骤3中生成的特征库中的每一个视角轮廓图特征KRD之间的距离，并利用堆排序返回前n个距离较小的视角轮廓图特征KRD；EMD算法计算草绘图像KRD特征f与步骤3中生成的特征库中的每一个视角轮廓图特征KRD之间的距离公式，如下：EMD(P,Q)=minΣi,jfijdijΣi,jfij;]]>上述公式中P、Q表示两个特征向量，代表两个视角轮廓图特征KRD，i表示P第i维的特征p'，j表示Q第j维的特征q'，fij表示p'与q'的差，dij表示p'与q'的距离；利用EMD算法算出的结果越小，说明两个特征之间的距离越小；步骤7、最后通过步骤6得到的n个视角轮廓图特征KRD确定出生成该轮廓图的三维模型。