專利名稱：一種基于AdaBoost的三維模型自動分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種三維模型的自動分類方法。
背景技術(shù)：
作為繼聲音、圖像和視頻之后的第四代多媒體數(shù)據(jù)類型，三維模型是最直觀、最具表現(xiàn)力的多媒體信息。隨著激光掃描技術(shù)及網(wǎng)絡(luò)技術(shù)的快速發(fā)展，三維模型的創(chuàng)建和應(yīng)用越來越廣泛，三維模型資源越來越豐富。企業(yè)產(chǎn)品類型及品種的增多、產(chǎn)品數(shù)據(jù)規(guī)模的膨脹，使得產(chǎn)品設(shè)計中三維模型的分類研究具有重要的理論與工程意義。而基于形狀的三維模型分類作為計算機圖形學領(lǐng)域的一個新興研究熱點，在工業(yè)產(chǎn)品的模型設(shè)計、虛擬現(xiàn)實、模擬仿真、3D游戲、計算機視覺、分子生物學和三維地理信息等各個領(lǐng)域獲得了廣泛的應(yīng)用。在目前國內(nèi)外公開的文獻中，在Z. Barutcuoglu and C. Decoro, “Hierarchicalshape classification using Bayesian aggregation，，，IEEE International Conferenceon Shape Modeling and Applications, 2006.中提出了基于 Bayesian aggregation 的分類方法，對語義層次結(jié)構(gòu)中的三維模型進行分類。在層次結(jié)構(gòu)模型中，使用相對獨立的分類器對每一類進行分類，產(chǎn)生的分類結(jié)果將會與層次結(jié)構(gòu)中“父-子”關(guān)系發(fā)生分歧。為了保持一致，一個舉例圖形必須不能被分為一類，除非這個圖形已經(jīng)在層次結(jié)構(gòu)中被分為“父”類。在給定的用于一個任意形狀描述符的一些獨立的分類器的情況下，把它們每一個的很可能不一致的分類結(jié)果結(jié)合起來，然后在貝葉斯的框架下獲得一組最具有一致性的分類結(jié)果。這樣的錯誤改正可以通過利用分層結(jié)構(gòu)來提高整個分類結(jié)果的精度° 在 Z. Liu, J. Mitani, Y. Fukui and S. Nishihara, “A 3D shape classifier withneural network supervision，，，International Journal of Computer Applications inTechnology, Vol. 38, No. 1-3, 2010.中提出了基于監(jiān)督型神經(jīng)網(wǎng)絡(luò)的三維模型分類方法，該方法該提供了一種基于監(jiān)督點空間的密度分布的三維圖形分類器。首先通過特征化點空間的密度分布提取出低階的特征樣本，然后訓練一個前饋控制的神經(jīng)網(wǎng)絡(luò)來學習這些特征，從而獲得一個有效的分類器。此分類器分為兩個階段，分別為用于訓練數(shù)據(jù)的訓練階段和評估分類效果的測試階段。而需要注意的是分類器的精度不僅和每個樣本的權(quán)重相關(guān)，而且和神經(jīng)網(wǎng)絡(luò)中的隱藏階層的隱藏單元個數(shù)息息相關(guān)。隱藏單元個數(shù)不同，分類精度也會有很大差別。因此在訓練分類器時，選擇最恰當?shù)碾[藏單元個數(shù)是非常有必要的。但上述兩種三維模型分類方法有幾點不足(I)基于Bayesian aggregation的三維模型分類方法主要是針對屬于層次結(jié)構(gòu)中的三維模型進行分類，具有一定的局限性，適用范圍較??；(2)基于神經(jīng)網(wǎng)絡(luò)的三維模型分類方法分類精度較低，分類的正確率較低。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)分類范圍局限和精度較低的不足，本發(fā)明提供的一種三維模型
3自動分類方法，可以對Halfedge結(jié)構(gòu)的三維模型或CAD模型進行自動特征提取與分類，可以對同一模型的不同姿態(tài)或大小進行提取出基本相同的特征，然后將模型的特征進行訓練和測試，得到了高精度的分類結(jié)果。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括以下步驟(I)計算三維模型中任意兩頂點的近似測地距離，其中，任意相鄰兩頂點采用歐氏距離作為它們的近似測地距離，任意不相鄰兩頂點的近似測地距離采用Dikstra算法計算；(2)根據(jù)計算出的三維模型任意兩個頂點的近似測地距離組成一個三維模型的仿射矩陣，仿射矩陣的行數(shù)和列數(shù)都是三維模型的頂點數(shù)，仿射矩陣中任一元素指的是以該元素所在的行和列為頂點索引號的兩個頂點的近似測地距離進行高斯化后的值；(3)采用NystWm近似的方法模擬包含所有頂點關(guān)系的仿射矩陣，用Jacobi方法特征分解該仿射矩陣，將得到的特征值按從大到小的順序排列，取第2個至第21個共20個特征值作為三維模型的描述符；(4)根據(jù)步驟(3)中得到的三維模型的描述符，使用AdaBoost方法對三維模型進行分類。本發(fā)明的有益效果是本發(fā)明實現(xiàn)了一種三維模型的分類方式，該方法可以實現(xiàn)三維模型的自動特征提取并利用特征進行三維模型的自動分類，和現(xiàn)有分類方法相比較具有分類精度高，適用范圍廣的特點。本發(fā)明之所以具有上述的有益效果其原因在于針對任意三維模型采用譜嵌入的方法得到一種三維模型的描述符。該譜嵌入是基于以近似測地線距離為基礎(chǔ)構(gòu)造出仿射矩陣的特征值，這一過程稱為姿態(tài)無關(guān)變換，即可獲得一種對三維物體的剛性變換、均勻縮放、姿態(tài)變換(如彎曲等)保持不變的標準化譜嵌入。譜嵌入得到的特征值即為三維模型的描述符，將通過上述譜嵌入方法獲得的三維形狀描述符作為分類特征，利用Adaboost算法對三維模型進行分類。AdaBoost算法針對不同的訓練集訓練同一個基本分類器(弱分類器)，然后把這些在不同訓練集上得到的弱分類器聚合，構(gòu)成一個更強的最終的分類器(強分類器)。因此該強分類器具有最小的誤差率，使用該分類器進行三維模型分類可以獲得很高的分類精度。


圖I為該發(fā)明實現(xiàn)的總流程圖；圖2為三維模型特征提取的流程圖；圖3為AdaBoost方法訓練分類器的流程圖；圖4為AdaBoost方法測試分類器的流程圖；圖5為實例的分類精度的統(tǒng)計直方圖。
具體實施例方式本發(fā)明包括以下步驟(I)計算三維模型中任意兩頂點的近似測地距離。三維模型由許多頂點構(gòu)成，任意相鄰兩頂點采用歐氏距離作為它們的近似測地距離，任意不相鄰兩頂點的近似測地距離采用Dikstra算法計算。(2)根據(jù)計算出的三維模型任意兩個頂點的近似測地距離組成一個三維模型的仿射矩陣，仿射矩陣的行數(shù)和列數(shù)都是三維模型的頂點數(shù)，仿射矩陣中任一元素指的是以該元素所在的行和列為頂點索引號的兩個頂點的近似測地距離進行高斯化后的值。(3)采用NysWtoi近似的方法來有效地模擬包含所有頂點關(guān)系的仿射矩陣的特征值和特征向量。通過該方法可以提高計算效率，節(jié)省時間。NysWim近似是一種基于子采樣的技術(shù)。在三維模型的所有頂點中選用最遠點采樣的方式進行采樣，即每次采樣時都選取到之前的采樣點的近似測地距離最大的點。這樣做可以盡量使采樣點分布在模型尖端的尖點上，而且使最終的近似最大限度地接近原來的值，從而達到模擬的效果。利用采樣點之間的近似測定距離建立一個包含所有采樣點之間關(guān)系的仿射矩陣，最后用Jacobi方法特征分解該仿射矩陣，將得到的特征值按從大到小的順序排列，由于通過采樣仿射矩陣特征分解求得的特征值具有一個特性就是衰減得很快，且第一個特征值偏差較大，故取第2個至第21個共20個特征值作為三維模型的描述符。(4)使用AdaBoost方法對三維模型進行分類。將步驟(3)中得到的三維模型的特征值作為樣本進行分類。將每一類模型的特征值等分為兩部分，一部分作為訓練集樣本，另一部分作為測試集樣本。訓練集是一個包含所有需要分類的模型的特征值和類別標簽的集合，通過在訓練集上運行一段機器學習程序，即可得到一個分類器，該分類器即為運行過后的該段機器學習程序。而測試集也是一個包含不同類模型的特征值和類別標簽的集合，它是用來測試分類器的分類效果。在AdaBoost方法中，每一個訓練樣本都被賦予一個權(quán)重，表明它被某個分量分類器選入訓練集的概率。如果某個樣本點已經(jīng)被準確地分類，那么在構(gòu)造下一個訓練集中，它被選中的概率就降低；相反，如果某個樣本點沒有被正確地分類，那么它的權(quán)重就得到提高。通過這樣的方式，AdaBoost方法能夠聚焦于那些分類較困難的樣本上。在具體實現(xiàn)上，最初令每個樣本的權(quán)重都相等。對于第t次迭代操作，我們就根據(jù)這些權(quán)重來選取樣本點，進而訓練分類器ht。然后就根據(jù)這個分類器，來提高被它錯分的那些樣本點的權(quán)重，并降低可以被正確分類的樣本權(quán)。然后，權(quán)重更新過的樣本集被用來訓練下一個分類器ht+1。整個訓練過程如此進行下去。本發(fā)明訓練和測試時，都是把某一類形狀的特征值和剩余其它類形狀的特征值分別貼上兩類不同的標簽進行二分類，然后循環(huán)多次直至所有類別分類完成。訓練時，對訓練集進行連續(xù)多次迭代分類直至分類誤差為最小，就獲得了一個最終的強分類器。測試時，使用該強分類器對測試集進行測試分類，分類結(jié)果即為形狀的標簽，如果標簽與被測試形狀的標簽一致即為正確分類，反之則為錯誤分類。分析分類結(jié)果，即統(tǒng)計每一類中正確分類的模型數(shù)和錯誤分類的模型數(shù)，然后計算每一類正確的模型數(shù)占總模型數(shù)的百分比，該百分比就是分類精度。下面結(jié)合附圖和實施例對本發(fā)明進一步說明。首先附圖I展示了本發(fā)明實現(xiàn)三維模型自動特征提取與分類的總流程，該總流程圖包含了實現(xiàn)最終分類所需的各個主要步驟。本發(fā)明的目的是通過提取三維模型的特征進行自動分類，分類器通過程序來實現(xiàn)，對于讀入提供的三維模型的文件，提取相應(yīng)的三維模型測地線特征，然后利用Adaboost的學習方法進行訓練，獲取一個自動分類器。下面是具體的實現(xiàn)步驟。
5
一、三維模型任意兩個頂點的測地距離的計算三維模型由網(wǎng)格進行表達，網(wǎng)格由有頂點、邊、多邊形構(gòu)成。其中，本發(fā)明通過特征化頂點距離來實現(xiàn)的，因此任意相鄰兩頂點之間的距離采用近似測地距離來表達，公式的 形式如下
權(quán)利要求
1.一種基于AdaBoost的三維模型自動分類方法，其特征在于包括下述步驟(1)計算三維模型中任意兩頂點的近似測地距離，其中，任意相鄰兩頂點采用歐氏距離作為它們的近似測地距離，任意不相鄰兩頂點的近似測地距離采用Dikstra算法計算；(2)根據(jù)計算出的三維模型任意兩個頂點的近似測地距離組成一個三維模型的仿射矩陣，仿射矩陣的行數(shù)和列數(shù)都是三維模型的頂點數(shù)，仿射矩陣中任一元素指的是以該元素所在的行和列為頂點索引號的兩個頂點的近似測地距離進行高斯化后的值；(3)采用Nysti^m近似的方法模擬包含所有頂點關(guān)系的仿射矩陣，用jacobi方法特征分解該仿射矩陣，將得到的特征值按從大到小的順序排列，取第2個至第21個共20個特征值作為三維模型的描述符；(4)根據(jù)步驟(3)中得到的三維模型的描述符，使用AdaBoost方法對三維模型進行分類。全文摘要
本發(fā)明提供了一種基于AdaBoost的三維模型自動分類方法，計算三維模型中任意兩頂點的近似測地距離，根據(jù)計算出的三維模型任意兩個頂點的近似測地距離組成一個三維模型的仿射矩陣，采用近似的方法模擬包含所有頂點關(guān)系的仿射矩陣，用Jacobi方法特征分解該仿射矩陣，將得到的特征值按從大到小的順序排列，取第2個至第21個共20個特征值作為三維模型的描述符，使用AdaBoost方法對三維模型進行分類。本發(fā)明可以實現(xiàn)三維模型的自動特征提取并利用特征進行三維模型的自動分類，和現(xiàn)有分類方法相比較具有分類精度高，適用范圍廣的特點。
文檔編號G06K9/62GK102915448SQ20121035877
公開日2013年2月6日 申請日期2012年9月24日 優(yōu)先權(quán)日2012年9月24日
發(fā)明者劉貞報, 張鳳, 布樹輝 申請人:西北工業(yè)大學