[发明专利]一种面向虚拟现实技术的多分辨率模型简化方法

摘要

一种基于虚拟现实技术中的多分辨率模型简化方法,属计算机图形处理技术领域。本简化方法采用顶点聚类算法获取简化模型；用误差度计算公式计算简化模型误差度；通过重要度计算公式计算不同模型的重要程度，对不同模型采取不同的简化算法。本发明能够显著提升虚拟现实系统中三维模型建模精度和速度,提高虚拟现实系统的实时运行效率。

主权项

一种面向虚拟现实技术的多分辨率模型简化方法，通过计算机对虚拟现实系统中的各个模型进行运算和图形输出来实现，运算方法归结为顶点聚类类型的算法，该方法的步骤如下：(1)网格划分：对原始的模型建立一个能够包围全部模型的立方体，称为立方体包围盒，通过立体空间的划分将包围盒分成若干个立体区域，这些区域称为模型聚类网格，在这些网格内，模型的顶点即模型中各个面相交形成的点都会一一映射到不同的网格中；(2)聚类点计算：将同一个聚类网格中的顶点全部整合为一个新的顶点，之后再根据原始的顶点之间的拓扑连接关系重新连接，构成了新的模型；采用多分辨率模型选择尺度，其建模思想是通过对场景中每一个模型对象的重要性进行分析，使得重要性排名靠前的模型进行高质量的绘制，而重要性排名靠后的对象，则采用低质量的绘制，这样使得整个虚拟现实系统能在保证实时运行的前提下，尽最大程度的提高用户的视觉感受；那么我们通过定义重要度S来对系统中物件的重要性大小进行衡量，每个物件的重要度取决于如下几个要素：a、距离重要度Sd：我们首先将虚拟现实系统中第一人称摄像机的位置定义视点，那么系统中物体与视点之间的距离则是衡量物体重要程度中最主要的标准之一，距离与物体的重要程度成反比，其比例关系使用回归运算可知接近一个类反比例函数关系，在实际计算应用中，我们将系统中视点与模型包围盒的中心点之间的距离称为视距d，那么当视距变大时，物体的重要度会呈反比例下降，Sd＝k1/(d+a1)+c1，该拟合函数中k1，a1，c1为待定系数，d表示视距，由重要度和距离之间的实际测量值经过回归运算得到；b、离心率重要度Se：这里离心率指的是模型与视点正前方之间的夹角θ，一般用于反映人眼对物体的注意程度，所以在虚拟现实系统中，要根据物体距离视点的偏离程度确定模型的重要度，经过回归运算，其重要度和离心率的关系约为一个对数函数关系，值得注意的是该函数的定义域为虚拟现实系统中第一人称摄像机的视觉宽度FOV，当离心率变大时，该模型的重要度会呈对数下降Se＝C2*logk2(θ)+e2，其中0<k2<1,θ∈[0,FOV])，其中C2，k2，e2为待定系数，由重要度和离心率之间的实际测量值经过回归运算得到；c、速度重要度Sv：这里速度并不是指物体本身的移动速度，而是指物体相对于视点的移动速v，物体移动越快，眼睛看到的就会越模糊，此外由于物体是相对视点移动，因此这里我们描述物体移动时使用角速度描述，以便更直观的衡量物体移动与物体重要度之间的关系，通过回归运算得模型与视点角速度与重要度的关系接近一个三次幂函数的反函数Sv＝k3(v+a3)^1/3+c3，其中k3，a3，c3为待定系数，由重要度和离心率之间的实际测量值经过回归运算得到；d、人为因素重要度Sh：上述因素是在理想虚拟现实场景中做出的数学假设，然而事实上，在每一个虚拟场景的应用中，不同的物件都会被赋予不同的重要度，对于一些重要的物件，则需要人为的对其重要度进行加成，在建模和场景调试时，将其赋予给模型，防止因纯数字计算结果产生的较大的误差；对上述重要度进行计算后，我们能够对上述重要度的不同权重予以调整，并进一步的推出总的重要度，S＝λ1*Sd+λ2*Se+λ3*Sv+λ4*Sh，其中λ是权重系数；此后,在根据计算机的实际运算能力,虚拟现实系统运行速率要求，以及虚拟现实系统建模精度要求和用户视觉体验要求因素，设置初始误差度最大允许范围即阈值，阈值的默认值为0，即初始模型和简化模型完全相同，之后根据上述因素，人为逐步递增阈值，并可随时调整，以便适应不同的情形；为评价模型简化的误差，我们定义一个相似性定量评价法，即定义初始模型为M，简化模型为M’，通过函数E(M,M’)来衡量模型的近似误差，由于虚拟现实系统中所有模型均为非绘制模型即绝大多数模型为非规则模型，这可以通过对其几何形状误差度进行计算，得到函数E(M,M’)的值作为模型之间的误差度；误差函数的结果应为非负的实数，且具有以下特性1)模型完全相同是该函数为0的充分必要条件：M＝M’<＝>E(M,M’)＝0，其中符号<＝>表示充分必要条件；2)该函数自变量满足交换律：E(M,M’)＝E(M’,M)；3)两模型之间的误差度总不大于两模型与另一模型误差度之和：E(M,M’)<＝E(M,M”)+E(M’,M”)；其中M”表示另一模型，E(M,M”)表示初始模型与另一模型之间的误差度，E(M’,M”)表示简化模型与另一模型之间的误差度，我们把一般函数的误差度计算方法类比到模型误差度领域；目前最常用的误差计算方法有两种，即L∞和L2，其中L表示范数，L2范数是向量或函数中各个元素的平方积分求和然后求平方根，L∞范数是向量或函数各个元素求绝对值，最大元素的绝对值，我们设一个实变函数f(x)和一个近似函数g(x)，上述两个函数的定义域均为[a,b]，如果用L∞方法计算误差度的话，公式为：||f-g||∞=maxa≤x≤b|f(x)-g(x)|]]>该公式中，等式左边表示f函数和g函数之间最大的距离即f函数与g函数之差的∞‑范数，等式右边表示在自变量范围内，两函数之间差值绝对值的最大值，其中x表示自变量，符号‖‖表示范数，‖‖∞表示∞‑范数；如果采用L2方法计算的话，公式为：||f-g||2=∫ab[f(x)-g(x)]2dx]]>该公式中，等式左边表示f函数与g函数之间的平均距离即f函数与g函数之差的2‑范数，等式右边则为两函数差值的平方在自变量范围内进行积分，然后再求算数平方根，其中其中x表示自变量，符号‖‖2表示2‑范数；当类比到多边形模型简化误差度量中时，我们不能简单的比较单方向的距离差来衡量模型的误差度，需要计算最近顶点两两之间的距离来计算模型之间的误差度，定义空间中任意一不在模型M0上的点p0到模型M0的距离为点p0到模型M0上最近的一点q的距离，也就是：dp0(M0)=minq∈M0||p0→-q→||]]>那么分别通过L∞方法和L2方法计算出模型误差度的最大值和平均值，如下所示：Emax(M,M′)=max(maxdp∈Mp(M′)),maxdp∈M′p(M))]]>Eavg(M,M′)=1q1+q2(∫p∈Mdp2(M′)dp+∫p∈M′dp2(M)dp)]]>上述算式中，Emax(M，M’)表示初始模型M与简化模型M’之间误差度的最大值，max()表示取括号中各值的最大值，Eavg(M，M’)表示模型M与M’之间误差度的平均值，表示对物体M上一点p到M’距离的平方在p点属于M物体(即M物体上所有的点)的范围内进行积分，其中q1,q2是模型M和M’的表面上的一点，同时公式满足前述误差度的相关性质，即该函数非负且满足交换律与两模型之间的误差度总不大于两模型与另一模型误差度之和；但在虚拟现实实现过程中，为了真正做到实时简化模型，不可能对全部的顶点进行计算，这样会使得计算量过大而造成本末倒置，因此我们会采用模型表面的离散点来近似估计模型误差度，通过不同的采样点，带入公式，即可得到不同模型之间的误差度，进而进一步进行多分辨率简化；此外，部分模型不止拥有几何特点上的不同，还有诸如颜色、纹理、材质上的差距，但上述算法依然可以类比使用，然后将上述不同的误差要素分别赋予不同的权重，得到一个加权的模型误差度，仍然能对模型简化进行评估；采用前述重要度公式得出不同模型的重要度后，按照重要度顺序，对不同模型按不同的网格进行划分，之后采用顶点聚类算法，得到不同的模型，之后通过前述的误差度进行评估，即将新的模型与原模型分别代入上述误差度计算公式，得到误差度，形成反馈，将得到的误差度与之前设定的阈值进行比较，如果误差度小于阈值，直接输出模型到虚拟现实系统，如果误差度大于阈值，再进一步调整模型网格划分，即将聚类网格再次细分，或者采用自适应式聚类网格或非对称性聚类网格的其他改进型的聚类网格，直到达到误差度允许的范围内，之后再对阈值是否满足虚拟现实系统的需求进行判断，若虚拟现实系统需求未满足则人为调整阈值，之后再次执行上述算法，若阈值满足虚拟现实的系统运行需求，则直接结束该简化方法。