基于视图的三维模型特征提取研究综述.docVIP

基于视图的三维模型特征提取研究综述 　　【摘 要】 介绍了基于视图的三维模型特征提取的主要研究内容， 通过对模型预处理、视图获取两方面来研究基于视图三维模型特征提取的研究现状。 　　【关键词】 三维模型 视图 特征提取 　　一、引言 　　随着三维扫描技术和计算机图形学广泛应用于工业，机械，医学等领域，三维模型成为一种新多媒体数据类型，面对庞大的三维模型数据库， 帮助用户快速准确地获取所需三维模型，实现资源重用成为了计算机视觉、计算机图形学界的一个研究热点。如何合理地描述三维模型即特征提取成为三维模型检索首先要解决的难点问题。同时绝大多数三维模型检索的研究都是针对通用模型进行的. 这也使得对三维模型特征提取的研究更加复杂。现有的三维模型检索技术可以分为基于统计特征、基于拓扑结构、基于几何结构分析和基于视图四大类。 　　基于统计特征的方法通过对三维模型的某一特征信息进行统计，获得统计直方图后将其量化而得到三维模型特征向量，但是大多数统计特征带有随机性， 检索性能不稳定。基于拓扑和结构分析得到的特征在检索系统中检索响应时间较长。基于视图将三维模型投影成多个不同视角的二维图像，再对二维投影进行特征的提取用以描述三维模型。这种方法将复杂的三维问题转化为较为成熟的二维图像处理问题，降低了计算的复杂度，符合人的视觉特征，检索性能较好。基于视图的三维模型特征提取一般为三个步骤模型预处理，视图获取，描述符提取。 　　二、模型预处理 　　对于任意三维模型，其初始空间位置、尺寸及方向具有很大的随机性，为了对三维模型在相同尺度、相同规则下进行比较检索，首先对其进行位置和尺寸标准化预处理。一般分为三个部分平移归一化，旋转归一化，尺度归一化。 完整的模型归一化过程表述为如下的几何变换。 　　S*R*（I-C） （2-1） 　　式中： s 为缩放系数；R 为对应于PCA变换的旋转矩阵；I 为原始模型坐标；C为坐标原点。 　　2.1平移归一化 　　平移归一化的目的是为了在模型上找到一个点作为新坐标系的原点，重新计算模型在新坐标系中的顶点坐标实际应用中的三维模型往往不是密度均匀分布的模型，文献[1]采用面积加权法来提高重心平移的鲁棒性，也就是将每个点的表面积作为该顶点的权重。 　　2.2旋转归一化 　　旋转归一化的目的是为了保证模型具有一个统一的姿态方向，使得提取的特征具有旋转不变性，文献[2]对旋转归一化改进利用蒙特卡罗法在三维模型表面均匀采点，以此代替原来顶点。该方法的特点是能快速地按照等面积原则，在三维模型表面采样大量的三维点数据。 　　2.3 尺度归一化 　　为了统一三维模型的尺度，保证拉伸不变性，需要计算缩放因子。文献[1]采用的方法是找到模型中距离质心最远的顶点，取值为这个最大距离的倒数，然后按照这个系数进行缩放。 　　三、视图获取 　　模型预处理完成后需要进行视图提取，按照提取的视图是否进行二次选择可分为：最优视图提取和多视图提取. 　　3.1多视图提取 　　多视图提取一般将模型放在球体或正方体盒内，在不同角度摄取二维深度图像，Min[3]等人提出使用三维模型的二维轮廓图描述比较模型之间的相似性。该方法从模型的正视、侧视及俯视三个固定方向获得二维投影视图，然后对每副视图进行轮廓特征提取。该方法由于只选择了三个固定方向上获取视图。不能够完全表达模型Chen[4]等提出一种基于光场（LightFiel Descriptor， LFD）的特征算法。首先，在正十二面体的10个顶点处捕获二维图像，由于正十二面体是对称的所以只取20个顶点中的10个。每个顶点处设定10中不同的光场，这样对于各个三维模型可以采100张图像。对于每张图像提取Zemike矩特征（取35个系数）和傅里叶变换特征（取10个系数），最后用4500维的特征向量来表示一个三维模型，庞大的特征向量带来计算的困难。Shih[5]等提出了一种基于正视图的特征提取算法，提取六个正视图来表示三维模型，所有正视图都是二维灰度图形，用最小正方体盒包围三维模型分别从前部，上部，右部，后部，下部和左部6个角度投影获得正视图，将每个图形分解为L个同心正方形提取出图形描述符。 　　3.2最优视图提取 　　由于产生的多视图来描述模型在检索模型时计算时间长，且有些视图是冗余的。有些研究者会将多视图进行最优选择出一组或一个最优视图。Cyr[6]等人提出基于形状相似性的代表性视图（Aspect Graph）方法。该方法首先对三维模型从不同视点得到大量视图，然后用一组代表性视图描述三维模型。代表性视图通过对视图集聚类分析，选择那些彼此之间存在明显差异的视图而得到。 　　刘志等采用AdaBoost算法对输入三维模型形状特征进行相似性学习得到该模型的最优视图样例，然后将输入模