基于样例学习的三维模型最优视图选择算法.docVIP

基于样例学习的三维模型最优视图选择算法 摘要：针对已有最优视图度量难以适用于不同类型的三维模型，所提取的最优视图往往也难以符合用户的兴趣点，本论文提出以用户定义的最优视图样例作为训练样本，以AdaBoost算法进行监督学习，通过计算输入三维模型的形状特征相似性进行分类学习，以确定该模型在最优视图样例库中对应的最优视图样例。然后，将输入模型从不同视点得到的渲染视图和该样例视图进行形状相似性对比分析，相似度最高的视图为最优视图。通过大量三维模型进行实验分析表明，本文算法得到的最优视图可以有效地逼近用户选择结果。 关键词：三维模型；最优视图选择；样例学习；相似性度量 Case-Based Learning Algorithm for Best View Selection of 3D Model Abstract: The existing metrics method for best view can not be applied widely in different kinds of 3D models. Meanwhile the best view extracted is often difficult to meet the user’s interest. In this paper, a best view case defined by user is taken as training case and the AdaBoost algorithm is used for supervised learning. The similarity of shape feature of the input 3D model is calculated and classified in order to select corresponding best view case in the database of best views for the input 3D model. Then the rendering views coming from different viewpoints for the 3D object are compared and analyzed with the best view case in shape similarity matching. The rendering view with highest similarity will be regarded as the best view of the 3D object. The experiments show that the best view selected is very consistent with the user’s subjective choices. Key words: 3D model；best view selection；case-based learning；similarity measurement 1 引言 人类视觉系统由于成像原理的局限性，仅能将三维物体映射成二维图像进行认知。但是人眼能够合理地选择视点位置，形成最优视图，实现基于单一图像的三维模型分析和理解。认知心理学方面的研究学者Verfaillie 等人更是提出了“three-quarter”这一著名概念，论证了物体的认知对视点位置具有依赖性。但由于三维模型方向的不确定性和二义性，无法确切地给出最优视图的数学定义。因此，如何模拟人类感知行为，提取最优视图成为科学界的热点研究问题。 近年来，研究人员试图通过可见面比例大小、投影面积大小、曲率、投影轮廓等几何信息，去量化人类观察物体的视觉习惯，形成一系列用于最优视图提取的评价标准[1]。这种标准主要分为两类：一类方法是对三维模型进行分析，然后形成最优评价标准。例如：互信息评价[2]主要用于度量场景中所有点或者面片之间相关或者依赖的程度；视平面特征熵[3]主要是在视平面上分析曲率特征，度量模型的三维几何特征在视平面上的分布和体现状况；距离直方图[4]主要是分析三维模型所含信息量多少及其分布特征所定义的Shannon 熵。虽然在三维空间上进行分析通常能够得到较好的视点，但是具有较高的复杂度，难以保证视点选择的实时性。另一类方法是对投影视图进行特征分析和比较，得到最优视点。最为典型的方法是根据投影面积大小进行视图选取，投影面积虽然能够在一定程度上反映出视图的质量，但是所选择的二维视图通常会丢失模型的重要结构特征和细节特征；Vázquez[5]等人认为需要对投影图像提取更多的信息，他们通过分析投影点的深度特征有效地提高视点选择准确率。 综上所述，研究人员从不同角度对人