本發(fā)明涉及三維模型感興趣點提取，具體講的是關(guān)于一種基于3D-SUSAN角點算子的三維模型感興趣點提取方法。

背景技術(shù)：

近年來3D應(yīng)用得到了廣泛的關(guān)注，在三維模型發(fā)展的過程中，感興趣點提取是很多3D應(yīng)用技術(shù)的本質(zhì)，例如，網(wǎng)格簡化、網(wǎng)格分割、視點選擇和三維模型匹配檢索。使用感興趣點匹配三維模型，需要提供模型的局部特征點。這種方法也適用于三維圖片識別、匹配。

在感興趣點提取的領(lǐng)域中，無論是在理論上還是在實際3D應(yīng)用中，我們都可以目睹這種技術(shù)的巨大進(jìn)步。這些進(jìn)步可以從模型分析、模型傳送和模型渲染上得以體現(xiàn)。感興趣點提取技術(shù)通常使用數(shù)學(xué)手段提取特征，比如幾何數(shù)學(xué)中的曲率，曲率越大越顯著。

三維模型感興趣點提取也面臨著一些挑戰(zhàn)和困難。首先，到現(xiàn)在為止都不存在明確的關(guān)于感興趣點的定義。基于一些主觀研究表明感興趣點是指點與其他點存在較大的差異的點。然后，由于3D網(wǎng)格的拓?fù)浞较蚴侨我獾?，模型頂點就有任意的鄰居頂點。最后，除了頂點的位置信息，沒有其他有關(guān)頂點的信息，因此需要計算頂點的其他特征信息。

二維角點檢測算子可以籠統(tǒng)地歸納為3類分別是基于灰度圖像的角點檢測、基于二值圖像的角點檢測和基于輪廓曲線的角點檢測。常見的角點算子包括Moravec角點檢測算子、Harris角點檢測算子和SUSAN角點檢測算子等。其中SUSAN角點檢測算子根據(jù)與每一圖像點相關(guān)的局部區(qū)域具有相同的像素值。如果某一窗口區(qū)域內(nèi)的每一個像素值與該窗口中心的像素值相同或相似，我們將該區(qū)域稱之為USAN區(qū)域。若USAN區(qū)域小于閾值，我們將認(rèn)為該區(qū)域的中心點為角點。

參考文獻(xiàn)

[1]HelinDutagaci,Chun Pan Cheung,AfzalGodil,“Evaluation of 3D interest point detection techniquesvia human-generated ground truth”,Springer-Verlag,2012.

[2]C.H.Lee,A.Varshney,and D.W.Jacobs,"Mesh Saliency,"ACM SIGGRAPH,vol.174,pp.659-666,2005.

[3]A Benchmark for 3D Interest Points Marked by Human Subjects,[Online].

Available:http://www.itl.nist.gov/iad/vug/sharp/benchmark/3DInterestPoint.

[4]Castellani,U.,Cristani,M.,Fantoni,S.,Murino,V.:Sparse pointsmatching by combining 3Dmesh saliency with statistical descriptors.Comput.Graph.Forum27(2),643–652(2008).

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是鑒于三維模型感興趣點對網(wǎng)格簡化、網(wǎng)格分割、視點選擇和3D模型匹配檢索的重要性，提出一種基于3D-SUSAN角點算子的三維模型感興趣點提取方法，該方法將二維圖像特征點提取的SUSAN角點檢測算子引入三維領(lǐng)域，提出了一種3D-SUSAN角點檢測算子，并有效提取三維模型感興趣點。該方法繼承了SUSAN算子的抗噪能力強(qiáng)、計算量小、效率高和性能穩(wěn)定等特點。

為了實現(xiàn)上述目的，本發(fā)明通過以下技術(shù)方案予以實現(xiàn)，具體包括如下步驟：：

步驟(1)：利用網(wǎng)格讀取算法計算待提取三維模型的頂點位置坐標(biāo)，并且利用網(wǎng)格簡化算子將待提取三維模型頂點進(jìn)行簡化。

步驟(2)：利用曲率算子計算每個頂點的曲率。

步驟(3)：利用高斯函數(shù)對曲率值進(jìn)行高斯處理，去除噪聲，得到去噪后的曲率值。

步驟(4)：定義頂點集群，根據(jù)鄰居頂點與當(dāng)前頂點的距離，選取距離最短的前36個鄰居頂點作為與當(dāng)前頂點曲率值比較的頂點集群。

步驟(5)：根據(jù)步驟(4)定義的頂點集群，若當(dāng)前頂點與頂點集群內(nèi)其他鄰居頂點的曲率差值小于定義的相似度閾值，則將該當(dāng)前頂點作為候選點。然后比較候選點的USAN值與幾何閾值的大小，若USAN值小于幾何閾值大小，則將該候選點作為感興趣點返回。

步驟(6)：定義評估算子FPE、FNE和WME^[1]，根據(jù)算法缺失率、多余率、誤差率對步驟(5)得到的感興趣點進(jìn)行評估。

步驟(2)所述的利用曲率算子計算每個頂點的曲率，其中曲率計算公式如下：

設(shè)三維曲線方程為：x＝x(t),y＝y(tǒng)(t),z＝z(t)；

1)分別求導(dǎo)，得到x′(t),y′(t),z′(t)；

2)分別求2階導(dǎo)，得到x″(t),y″(t),z″(t)；

3)將三個一階導(dǎo)合在一起看做一個三維矢量：

r′＝(x′(t),y′(t),z′(t))；

4)將三個二階導(dǎo)合在一起看做一個三維矢量：

r″＝(x″(t),y″(t),z″(t))；

5)曲率計算公式為：

所述的步驟(3)中利用高斯公式對步驟(2)中頂點曲率進(jìn)行高斯函數(shù)處理，得到σ區(qū)域內(nèi)平均曲率的高斯加權(quán)平均，所述的高斯函數(shù)公式如下：

G是σ區(qū)域內(nèi)平均曲率的高斯加權(quán)平均，是頂點的曲率值，x是σ區(qū)域內(nèi)當(dāng)前計算頂點v的鄰居頂點。

步驟(4)中所述選取頂點集群是指以當(dāng)前計算頂點為中心，選取距離最短的前36個鄰居頂點作為與當(dāng)前頂點對比的頂點。

三維模型頂點距離計算公式為：

(x₁,y₁,z₁),(x₂,y₂,z₂)分別是兩個頂點的坐標(biāo)。

所述步驟(5)的具體實現(xiàn)過程如下：

5-1.首先為了增加閾值自適應(yīng)能力，需要動態(tài)計算每個中心頂點的所屬頂點集群內(nèi)曲率差相似度閾值。

其中，中心頂點是指頂點集群中當(dāng)前計算的頂點；a表示曲率差的平均值。c(v₀)表示中心頂點曲率，c(v)表示頂點集群內(nèi)其他鄰居頂點曲率。

t表示曲率相似度閾值，a表示曲率差的平均值，c表示集群內(nèi)頂點的曲率值，N表示集群點個數(shù)，這里取36。

若當(dāng)前頂點與其鄰居頂點的曲率絕對值差值小于曲率相似度閾值，則將當(dāng)前頂點作為候選點。

5-2.計算每個候選點的USAN值：

t表示曲率相似度閾值，c(v₀)表示中心頂點曲率，c(v)表示頂點集群內(nèi)其他鄰居頂點曲率。d表示某候選點的USAN值，其初始值為0。

參考應(yīng)用在二維圖像焦點提取的SUSAN算子，一般在提取角點時幾何閾值等于USAN區(qū)域的1/2，因此在3D-SUSAN算子中，我們同樣選取USAN區(qū)域的1/2作為幾何閾值：

g(v₀)表示v₀的幾何閾值，d(v₀)表示表示v₀的USAN區(qū)域值。

若候選點的USAN值小于幾何閾值，則認(rèn)為該候選點為角點。

5-3.對得到的角點做非極大值抑制，最終得到感興趣點。

步驟(6)所述的評估算法具體如下：評估算法具體分為兩步：一是建立模型真實場景，二是使用建立的真實場景評估感興趣點提取算法。

(1)建立模型真實場景興趣點標(biāo)識的評估標(biāo)準(zhǔn)，該部分引用了網(wǎng)站A Benchmark for 3D Interest Points Marked by Human Subjects^[2]的數(shù)據(jù)庫，包括三維模型以及每個模型的人工提取感興趣點坐標(biāo)集。

(2)使用建立的真實場景評估興趣點提取算法，利用FPE(false positive errors)、FNE(false negative errors)和WME(weighted miss error)對算法提取的興趣點進(jìn)行評估。

G_r＝(p∈M|d(g,p)≤r)

G_r表示模型真實場景興趣點集，M表示算法提取模型的興趣點，d表示頂點與頂點的距離，r表示半徑的區(qū)域。

N_C表示算法提取的正確的點數(shù)量，N_G表示真實場景中總的興趣點個數(shù)。

N_A表示算法提取的興趣點個數(shù)，N_C表示算法提取得到的正確的點數(shù)量。

n_i表示n_i個志愿者標(biāo)識了i點，g_i表示半徑為r時的真實場景3D-SUSAN評估結(jié)果。

本發(fā)明的有益效果如下：

本發(fā)明提出一種基于3D-SUSAN角點算子的三維模型感興趣點提取方法，該方法將用于二維圖像特征點提取的SUSAN角點檢測算子引入三維領(lǐng)域，提出了一種3D-SUSAN角點檢測算子，并有效地提取三維模型的感興趣點。

3D-SUSAN角點檢測算子不僅可以提取三維模型興趣點而且仍保留了SUSAN的抗噪能力強(qiáng)、計算量小效率高、性能穩(wěn)定的優(yōu)點。

附圖說明

圖1是本發(fā)明基于3D-SUSAN算法的三維模型興趣點提取流程圖。

圖2是頂點集群圖。

圖3是非極大值抑制流程圖。

圖4是3D-SUSAN算法評估結(jié)果圖。

圖5是興趣點標(biāo)識。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步說明。

如圖1所示，一種基于3D-SUSAN角點算子的三維模型感興趣點提取方法，具體包括如下步驟：

步驟(1)：利用網(wǎng)格讀取算法計算待提取三維模型的頂點位置坐標(biāo)，并且利用網(wǎng)格簡化算子將待提取三維模型頂點進(jìn)行簡化。

步驟(2)：利用曲率算子計算每個頂點的曲率。

步驟(3)：利用高斯函數(shù)對曲率值進(jìn)行高斯處理，去除噪聲，得到去噪后的曲率值。

步驟(4)：定義頂點集群，根據(jù)鄰居頂點與當(dāng)前頂點的距離，選取距離最短的前36個鄰居頂點作為與當(dāng)前頂點曲率值比較的頂點集群，附圖2是頂點集群圖。

步驟(5)：根據(jù)步驟(4)定義的頂點集群，若當(dāng)前頂點與頂點集群內(nèi)其他鄰居頂點的曲率差值小于定義的相似度閾值，則將該當(dāng)前頂點作為候選點。然后比較候選點的USAN值與幾何閾值的大小，若USAN值小于幾何閾值大小，則將該候選點作為感興趣點返回。

步驟(6)：定義評估算子FPE、FNE和WME^[1]，根據(jù)算法缺失率、多余率、誤差率對步驟(5)得到的感興趣點進(jìn)行評估。

步驟(2)所述的利用曲率算子計算每個頂點的曲率，其中曲率計算公式如下：

設(shè)三維曲線方程為：x＝x(t),y＝y(tǒng)(t),z＝z(t)；

6)分別求導(dǎo)，得到x′(t),y′(t),z′(t)；

7)分別求2階導(dǎo)，得到x″(t),y″(t),z″(t)；

8)將三個一階導(dǎo)合在一起看做一個三維矢量：

r′＝(x′(t),y′(t),z′(t))；

9)將三個二階導(dǎo)合在一起看做一個三維矢量：

r″＝(x″(t),y″(t),z″(t))；

10)曲率計算公式為：

所述的步驟(3)中利用高斯公式對步驟(2)中頂點曲率進(jìn)行高斯函數(shù)處理，得到σ區(qū)域內(nèi)平均曲率的高斯加權(quán)平均，所述的高斯函數(shù)公式如下：

G是σ區(qū)域內(nèi)平均曲率的高斯加權(quán)平均，是頂點的曲率值，x是σ區(qū)域內(nèi)當(dāng)前計算頂點v的鄰居頂點。

步驟(4)中所述選取頂點集群是指以當(dāng)前計算頂點為中心，選取距離最短的前36個鄰居頂點作為與當(dāng)前頂點對比的頂點。

三維模型頂點距離計算公式為：

(x₁,y₁,z₁),(x₂,y₂,z₂)分別是兩個頂點的坐標(biāo)。

所述步驟(5)的具體實現(xiàn)過程如下：

5-1.首先為了增加閾值自適應(yīng)能力，需要動態(tài)計算每個中心頂點的所屬頂點集群內(nèi)曲率差相似度閾值。

其中，中心頂點是指頂點集群中當(dāng)前計算的頂點；a表示曲率差的平均值。c(v₀)表示中心頂點曲率，c(v)表示頂點集群內(nèi)其他鄰居頂點曲率。

t表示曲率相似度閾值，a表示曲率差的平均值，c表示集群內(nèi)頂點的曲率值，N表示集群點個數(shù)，這里取36。

若當(dāng)前頂點與其鄰居頂點的曲率絕對值差值小于曲率相似度閾值，則將當(dāng)前頂點作為候選點。

5-2.計算每個候選點的USAN值：

t表示曲率相似度閾值，c(v₀)表示中心頂點曲率，c(v)表示頂點集群內(nèi)其他鄰居頂點曲率。d表示某候選點的USAN值，其初始值為0。

參考應(yīng)用在二維圖像焦點提取的SUSAN算子，一般在提取角點時幾何閾值等于USAN區(qū)域的1/2，因此在3D-SUSAN算子中，我們同樣選取USAN區(qū)域的1/2作為幾何閾值：

g(v₀)表示v₀的幾何閾值，d(v₀)表示表示v₀的USAN區(qū)域值。

若候選點的USAN值小于幾何閾值，則認(rèn)為該候選點為角點。

5-3.對得到的角點做非極大值抑制，最終得到感興趣點，附圖3是非極大值抑制流程圖。

步驟(6)所述的評估算法具體如下：評估算法具體分為兩步：一是建立模型真實場景，二是使用建立的真實場景評估感興趣點提取算法。

(1)建立模型真實場景興趣點標(biāo)識的評估標(biāo)準(zhǔn)，該部分引用了網(wǎng)站A Benchmark for 3D Interest Points Marked by Human Subjects^[2]的數(shù)據(jù)庫，包括三維模型以及每個模型的人工提取感興趣點坐標(biāo)集。

(2)使用建立的真實場景評估興趣點提取算法，利用FPE(false positive errors)、FNE(false negative errors)和WME(weighted miss error)對算法提取的興趣點進(jìn)行評估。

G_r＝(p∈M|d(g,p)≤r)

G_r表示模型真實場景興趣點集，M表示算法提取模型的興趣點，d表示頂點與頂點的距離，r表示半徑的區(qū)域。

N_C表示算法提取的正確的點數(shù)量，N_G表示真實場景中總的興趣點個數(shù)。

N_A表示算法提取的興趣點個數(shù)，N_C表示算法提取得到的正確的點數(shù)量。

n_i表示n_i個志愿者標(biāo)識了i點，g_i表示半徑為r時的真實場景3D-SUSAN評估結(jié)果見附圖43D-SUSAN算法評估結(jié)果圖。

FNE表示缺失率、FPE表示多余率、WME表示誤差率，當(dāng)它們降低速率越快，證明該算法提取興趣點結(jié)果越好。

本發(fā)明針對算法提取三維模型興趣點的結(jié)果，從錯誤率、缺失率、誤差率進(jìn)行評估，并與Meshsaliency提取的興趣點作比較。從附圖5中就可以看出，與Mesh saliency^[3]相比，3D-SUSAN提取的興趣點明顯比Mesh saliency提取的興趣點少，而從附圖5可以看出，3D-SUSAN的標(biāo)識結(jié)果和人類標(biāo)識的興趣點差不多一樣。由此可以得出該發(fā)明在減少算法提取三維模型興趣點數(shù)量上有所提高。