本發(fā)明屬于三維模型檢索領(lǐng)域，尤其涉及一種基于本體間語義相關(guān)的三維模型檢索方法及系統(tǒng)。

背景技術(shù)：

隨著虛擬現(xiàn)實(shí)和3d可視化技術(shù)的發(fā)展，產(chǎn)品三維模型數(shù)量以指數(shù)方式在快速增長，三維模型檢索技術(shù)可以幫助用戶在快速準(zhǔn)確地獲取符合設(shè)計(jì)意圖的三維模型。最基本的三維檢索是提取產(chǎn)品三維形狀特征進(jìn)行相似性匹配，這需要用戶給出非常詳細(xì)的形式化的形狀特征信息才能得到較高的檢索正確率，但對(duì)于三維物體的形狀特征很難用形式化的信息進(jìn)行描述。而且其應(yīng)用的領(lǐng)域是根據(jù)已知模型在三維模型庫中檢索出與其相似的模型，對(duì)于某些三維建模如場景建?；虍a(chǎn)品裝配等領(lǐng)域則不適合，因?yàn)樵趫鼍敖Ｖ行枰鶕?jù)已知模型去檢索與其相關(guān)的其它模型，而不是檢索與其相似的模型。對(duì)于這方面的研究目前還較少，具有較強(qiáng)的現(xiàn)實(shí)意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提供一種基于本體間語義相關(guān)的三維模型檢索方法及系統(tǒng)，發(fā)明考慮到模型之間的相關(guān)性，結(jié)合領(lǐng)域知識(shí)，利用模型間的語義相關(guān)度作為檢索結(jié)果，以期在某些特定領(lǐng)域如場景建模和產(chǎn)品裝配中可以提高三維模型檢索的有效性，縮短用戶的檢索時(shí)間。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于本體間語義相關(guān)的三維模型檢索方法，包括如下步驟：

數(shù)據(jù)獲?。憾x兩種類型的產(chǎn)品：第一種類型產(chǎn)品和第二種類型產(chǎn)品，獲取每種產(chǎn)品模型實(shí)例的特征數(shù)據(jù)，對(duì)特征數(shù)據(jù)進(jìn)行歸納量化，然后利用每種產(chǎn)品模型實(shí)例的特征數(shù)據(jù)構(gòu)建對(duì)應(yīng)產(chǎn)品的語義本體；

特征關(guān)系集合構(gòu)建：建立第一種類型產(chǎn)品的每個(gè)特征與第二種類型產(chǎn)品每個(gè)特征之間的關(guān)系，生成特征關(guān)系集合；

深度信念網(wǎng)絡(luò)樣本集生成：基于新的特征關(guān)系集合，判斷每組特征關(guān)系對(duì)應(yīng)的兩個(gè)特征的屬性是否相同，若相同，則該組特征關(guān)系的值為1；否則為0；從而生成樣本集；

生成檢索推薦準(zhǔn)則：利用深度信念網(wǎng)絡(luò)對(duì)樣本集里面的樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，用戶對(duì)樣本集中每個(gè)實(shí)例搭配的評(píng)價(jià)結(jié)果作為深度信念網(wǎng)絡(luò)的輸出；求得每組特征關(guān)系的關(guān)聯(lián)度權(quán)值，形成檢索推薦準(zhǔn)則；

形成檢索結(jié)果：對(duì)用戶提出的待檢索產(chǎn)品進(jìn)行語義特征提取，利用檢索推薦準(zhǔn)則實(shí)現(xiàn)待檢索產(chǎn)品的語義特征與三維模型庫中產(chǎn)品的語義特征之間相關(guān)度的計(jì)算，將滿足設(shè)定閾值的結(jié)果作為檢索結(jié)果。

在所述特征關(guān)系集合構(gòu)建與所述深度信念網(wǎng)絡(luò)樣本集生成之間還包括降維：通過聚類算法對(duì)特征關(guān)系集合進(jìn)行聚類，保留有相關(guān)性的特征，刪除沒有相關(guān)性的特征；得到若干個(gè)新的特征關(guān)系集合；從而實(shí)現(xiàn)對(duì)特征關(guān)系集合的降維。

在所述生成檢索推薦準(zhǔn)則之前，還包括：接收用戶對(duì)樣本集中每個(gè)實(shí)例搭配的評(píng)價(jià)，將評(píng)價(jià)分為五個(gè)等級(jí)：1、2、3、4和5，將用戶對(duì)每個(gè)實(shí)例搭配的評(píng)價(jià)取平均數(shù)，四舍五入后，歸入五個(gè)等級(jí)之一，作為實(shí)例搭配的最終評(píng)價(jià)結(jié)果；若最終評(píng)價(jià)結(jié)果屬于五個(gè)等級(jí)中的某一個(gè)等級(jí)，則該等級(jí)的值為1，其他等級(jí)的值為0。

所述生成檢索推薦準(zhǔn)則的步驟為：

步驟(4.1)：利用樣本集訓(xùn)練第一個(gè)rbm；

步驟(4.2)：設(shè)定第一個(gè)rbm的權(quán)重和偏移量，第一個(gè)rbm的隱元作為第二個(gè)rbm的顯元，充分訓(xùn)練第二個(gè)rbm；

步驟(4.3)：頂層bp網(wǎng)絡(luò)輸入為第二個(gè)rbm隱元，輸出為標(biāo)簽數(shù)據(jù)，標(biāo)簽數(shù)據(jù)對(duì)應(yīng)該樣本的用戶打分等級(jí)；深度信念網(wǎng)絡(luò)反向傳播，以調(diào)整第k組特征關(guān)系rk的關(guān)聯(lián)度權(quán)值ωk；其中，k∈{1,2,…s}；s表示特征關(guān)系的總數(shù)，為正整數(shù)；

步驟(4.4)：深度信念網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)，訓(xùn)練結(jié)束；得到相關(guān)度relat(x,y)，形成檢索條件。

所述相關(guān)度relat(x,y)

其中，x表示第一種類型產(chǎn)品，y表示第二種類型產(chǎn)品。

所述特征數(shù)據(jù)是指產(chǎn)品的基本屬性特征。

一種基于本體間語義相關(guān)的三維模型檢索系統(tǒng)，包括：

數(shù)據(jù)獲取模塊：定義兩種類型的產(chǎn)品：第一種類型產(chǎn)品和第二種類型產(chǎn)品，獲取每種產(chǎn)品模型實(shí)例的特征數(shù)據(jù)，對(duì)特征數(shù)據(jù)進(jìn)行歸納量化，然后利用每種產(chǎn)品模型實(shí)例的特征數(shù)據(jù)構(gòu)建對(duì)應(yīng)產(chǎn)品的語義本體；

特征關(guān)系集合構(gòu)建模塊：建立第一種類型產(chǎn)品的每個(gè)特征與第二種類型產(chǎn)品每個(gè)特征之間的關(guān)系，生成特征關(guān)系集合；

深度信念網(wǎng)絡(luò)樣本集生成模塊：基于新的特征關(guān)系集合，判斷每組特征關(guān)系對(duì)應(yīng)的兩個(gè)特征的屬性是否相同，若相同，則該組特征關(guān)系的值為1；否則為0；從而生成樣本集；

生成檢索推薦準(zhǔn)則模塊：利用深度信念網(wǎng)絡(luò)對(duì)樣本集里面的樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，用戶對(duì)樣本集中每個(gè)實(shí)例搭配的評(píng)價(jià)結(jié)果作為深度信念網(wǎng)絡(luò)的輸出；求得每組特征關(guān)系的關(guān)聯(lián)度權(quán)值，形成檢索推薦準(zhǔn)則；

形成檢索結(jié)果模塊：對(duì)用戶提出的待檢索產(chǎn)品進(jìn)行語義特征提取，利用檢索推薦準(zhǔn)則實(shí)現(xiàn)待檢索產(chǎn)品的語義特征與三維模型庫中產(chǎn)品的語義特征之間相關(guān)度的計(jì)算，將滿足設(shè)定閾值的結(jié)果作為檢索結(jié)果。

在所述特征關(guān)系集合構(gòu)建模塊與所述深度信念網(wǎng)絡(luò)樣本集生成模塊之間還包括降維模塊：通過聚類算法對(duì)特征關(guān)系集合進(jìn)行聚類，保留有相關(guān)性的特征，刪除沒有相關(guān)性的特征；得到若干個(gè)新的特征關(guān)系集合；從而實(shí)現(xiàn)對(duì)特征關(guān)系集合的降維。

在所述生成檢索推薦準(zhǔn)則之前，還包括：接收用戶對(duì)樣本集中每個(gè)實(shí)例搭配的評(píng)價(jià)，將評(píng)價(jià)分為五個(gè)等級(jí)：1、2、3、4和5，將用戶對(duì)每個(gè)實(shí)例搭配的評(píng)價(jià)取平均數(shù)，四舍五入后，歸入五個(gè)等級(jí)之一，作為實(shí)例搭配的最終評(píng)價(jià)結(jié)果；若最終評(píng)價(jià)結(jié)果屬于五個(gè)等級(jí)中的某一個(gè)等級(jí)，則該等級(jí)的值為1，其他等級(jí)的值為0。

所述生成檢索推薦準(zhǔn)則的步驟為：

步驟(4.1)：利用樣本集訓(xùn)練第一個(gè)rbm；

步驟(4.2)：設(shè)定第一個(gè)rbm的權(quán)重和偏移量，第一個(gè)rbm的隱元作為第二個(gè)rbm的顯元，充分訓(xùn)練第二個(gè)rbm；

步驟(4.3)：頂層bp網(wǎng)絡(luò)輸入為第二個(gè)rbm隱元，輸出為標(biāo)簽數(shù)據(jù)，標(biāo)簽數(shù)據(jù)對(duì)應(yīng)該樣本的用戶打分等級(jí)；深度信念網(wǎng)絡(luò)反向傳播，以調(diào)整第k組特征關(guān)系rk的關(guān)聯(lián)度權(quán)值ωk；其中，k∈{1,2,…s}；s表示特征關(guān)系的總數(shù)，為正整數(shù)；

步驟(4.4)：深度信念網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)，訓(xùn)練結(jié)束；得到相關(guān)度relat(x,y)，形成檢索條件。

所述相關(guān)度relat(x,y)：

其中，x表示第一種類型產(chǎn)品，y表示第二種類型產(chǎn)品。

本發(fā)明的有益效果：

(1)本發(fā)明是從一種較新的角度考慮三維模型的檢索問題，針對(duì)于場景建模和產(chǎn)品裝配等特定問題進(jìn)行了研究，以解決此類領(lǐng)域帶來的三維檢索新問題；

(2)本發(fā)明利用領(lǐng)域知識(shí)，進(jìn)行啟發(fā)式檢索，提高了檢索算法的智能化；

(3)本發(fā)明利用模型間的語義相關(guān)度作為檢索條件，即去除了使用形體特征來檢索的復(fù)雜度，又解決了單一語義檢索的低查準(zhǔn)率；

(4)本發(fā)明的基于本體間語義相關(guān)的三維模型檢索方法提高了檢索的查準(zhǔn)率，從而加快了檢索速度。

附圖說明

圖1是根據(jù)桌子特征構(gòu)建本體示意圖；

圖2是根據(jù)桌椅之間特征相關(guān)性構(gòu)建語義關(guān)系示意圖；

圖3是本發(fā)明流程步驟示意圖；

圖4(a)是用戶所選桌子模型；

圖4(b1)-圖4(b10)是方法1(基于風(fēng)格的三維模型檢索方法)的檢索首頁結(jié)果；

圖4(c1)-圖4(c10)是方法2(基于顏色的三維模型檢索方法)的檢索首頁結(jié)果；

圖4(d1)-圖4(d10)是本發(fā)明的檢索首頁結(jié)果；

圖5是本發(fā)明的檢索方法與其他檢索方法首頁查準(zhǔn)率對(duì)比示意圖。

具體實(shí)施方式

下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。

本發(fā)明的一種基于本體間語義相關(guān)的三維模型檢索方法，本方法包含如下步驟：數(shù)據(jù)獲取，數(shù)據(jù)分析，生成檢索條件，形成檢索結(jié)果。

數(shù)據(jù)獲?。韩@取產(chǎn)品模型實(shí)例的特征數(shù)據(jù)構(gòu)建本體及獲取用戶評(píng)價(jià)數(shù)據(jù)。

數(shù)據(jù)分析：通過聚類算法對(duì)兩個(gè)產(chǎn)品本體之間的屬性特征的相關(guān)性進(jìn)行分析，相關(guān)性較大的特征會(huì)聚在一起，因此可以去掉不相關(guān)或相關(guān)性較小的特征關(guān)系，從而實(shí)現(xiàn)對(duì)特征關(guān)系集合的降維。

生成檢索條件：本算法中對(duì)于特征關(guān)系的量化值只有0、1兩種取值，表示特征間有相關(guān)性或無相關(guān)性，利用深度信念網(wǎng)絡(luò)對(duì)實(shí)例樣本數(shù)據(jù)的學(xué)習(xí)，求得各屬性關(guān)聯(lián)度權(quán)值，形成檢索準(zhǔn)則即檢索條件。

形成檢索結(jié)果：對(duì)于用戶提出的產(chǎn)品，在模型庫中對(duì)相關(guān)產(chǎn)品利用檢索條件實(shí)現(xiàn)對(duì)產(chǎn)品之間相關(guān)度的確認(rèn)，最終形成檢索結(jié)果。

1、數(shù)據(jù)獲取

針對(duì)產(chǎn)品的內(nèi)在要素和外在要素進(jìn)行分析，列出其主要特征，并在互聯(lián)網(wǎng)上搜集各設(shè)計(jì)實(shí)例，每一套組合的特征語義進(jìn)行數(shù)據(jù)搜集，將所有特征參數(shù)值進(jìn)行歸納量化。在此以餐廳中的餐桌與餐椅為例進(jìn)行分析。

(1)桌子的特征分析

桌子的結(jié)構(gòu)最主要的就由兩個(gè)部分組成，桌面和桌腿，桌面包含了桌面形狀，桌面材質(zhì)，桌面顏色，桌腿包含了桌腿形狀，桌腿材質(zhì)，桌腿顏色，桌腿個(gè)數(shù)，除了這些特征還有整體特征，是否有雕刻，是否有弧度存在，如圖1所示。桌子的場景特征包含所使用地點(diǎn)和風(fēng)格。桌子的本體圖如圖2所示。

(2)進(jìn)行歸納量化

根據(jù)所搜集的樣本數(shù)據(jù)進(jìn)行歸納量化，如表1所示

表1

2、數(shù)據(jù)分析

如圖3所示，通過聚類分析得出餐桌與餐椅的相關(guān)特征兩兩組合構(gòu)成一個(gè)集合。將每個(gè)相關(guān)特征對(duì)作為一個(gè)數(shù)據(jù)單元。將桌子的每個(gè)特征與椅子的每個(gè)特征結(jié)合，生成特征關(guān)系集合。桌子11個(gè)特征，椅子16個(gè)特征，共生成176個(gè)特征關(guān)系。但大部分特征之間都無關(guān)系。比如桌子的弧度只與椅子的弧度有關(guān)系，與椅子的其它特征無直接關(guān)系，因此176個(gè)特征關(guān)系集合中大部分值都是0，可以通過聚類分析對(duì)其進(jìn)行降維處理，保留有效的特征關(guān)系，生成新的特征關(guān)系集合。

3、生成檢索條件

本算法中對(duì)于特征關(guān)系的量化值只有0、1兩種取值，表示特征間有相關(guān)性或無相關(guān)性，考慮到深度信念網(wǎng)絡(luò)中底層的所使用的受限波茲曼機(jī)要求每個(gè)神經(jīng)元只有開和關(guān)0、1兩種狀態(tài)，且收斂速度快，因此選擇了深度信念網(wǎng)絡(luò)對(duì)實(shí)例樣本數(shù)據(jù)的學(xué)習(xí)。

隨機(jī)選取了50例搭配實(shí)例，做成調(diào)查表，調(diào)查了140人，有效問卷139份，對(duì)于每組搭配實(shí)例進(jìn)行評(píng)價(jià)，評(píng)價(jià)分為5個(gè)等級(jí)(1，2，3，4，5)，將所有用戶對(duì)某一實(shí)例搭配的評(píng)價(jià)值取平均數(shù)四舍五入歸為5個(gè)等級(jí)之一，作為該實(shí)例的搭配的最終評(píng)價(jià)結(jié)果。根據(jù)實(shí)例的相關(guān)特征的值是否相同賦值為1或0，生成樣本集，標(biāo)簽數(shù)據(jù)為5個(gè)等級(jí)分類，屬于某等級(jí)則相應(yīng)等級(jí)的值為1，其它為0。dbn網(wǎng)絡(luò)結(jié)構(gòu)由兩層rbm加一層反向傳播網(wǎng)絡(luò)組成，兩層rbm節(jié)點(diǎn)數(shù)分別為15，10。

由此求得各屬性關(guān)聯(lián)度權(quán)值，形成檢索準(zhǔn)則即檢索條件。

4、形成檢索結(jié)果

對(duì)于用戶提出的產(chǎn)品，獲取其特征語義值，在模型庫中對(duì)相關(guān)產(chǎn)品利用檢索條件實(shí)現(xiàn)對(duì)產(chǎn)品之間相關(guān)度的確認(rèn)，最終形成檢索結(jié)果。如圖4(a)、圖4(b1)-圖4(b10)、圖4(c1)-圖4(c10)、圖4(d1)-圖4(d10)所示。

此方法流程如圖所示：

假設(shè)第一種類型產(chǎn)品x具有特征{x1,x2,…xm}，第二種類型產(chǎn)品y具有特征{y1,y2,…yn}；

步驟1假設(shè)第一種類型產(chǎn)品x中的每一個(gè)特征與第二種類型產(chǎn)品y中的所有特征都有關(guān)系，建立兩類產(chǎn)品特征之間的關(guān)系集合c＝{c11,c12,…cmn}；其中cij＝(xi,yj)；i∈1,2,…m,j∈1,2,…n；

步驟2對(duì)于兩類產(chǎn)品特征之間的關(guān)系集合c＝{c11,c12,…cmn}用聚類算法進(jìn)行聚類得到包含s個(gè)相關(guān)特征的集合r＝{r1,r2,…rs},r∈c,其中rk為相關(guān)特征，k∈{1,2,…s}；

步驟3假設(shè)第一種類型產(chǎn)品x與第二種類型產(chǎn)品y通過排列組合形成t個(gè)搭配實(shí)例，對(duì)于第o個(gè)搭配實(shí)例，根據(jù)公式(1)求出其s個(gè)相關(guān)特征的值構(gòu)成集合ro中rok值，其中，ro＝{ro1,ro2,…ros}，o∈{1,2,…t}，從而得到樣本集{r1,r2,…rt}；

步驟4：對(duì)樣本集通過dbn訓(xùn)練，生成推薦準(zhǔn)則。

步驟4.1：根據(jù)步驟3得到的樣本集{r1,r2,…rt}，訓(xùn)練第一個(gè)rbm；

步驟4.2：設(shè)定第一個(gè)rbm的權(quán)重和偏移量，第一個(gè)rbm的隱元作為第二個(gè)rbm的顯元，充分訓(xùn)練第二個(gè)rbm；

步驟4.3：頂層bp網(wǎng)絡(luò)輸入為第二個(gè)rbm隱元，輸出為標(biāo)簽數(shù)據(jù)，標(biāo)簽數(shù)據(jù)對(duì)應(yīng)該樣本的用戶打分等級(jí)；共分五級(jí)，分值相對(duì)某一等級(jí)則取值為1，其它為0。反向傳播，以調(diào)整特征關(guān)系rk,k∈{1,2,…s}的關(guān)聯(lián)度權(quán)值ωk。

步驟4.4：達(dá)到穩(wěn)定狀態(tài)，訓(xùn)練結(jié)束。得到相關(guān)度公式relat(x,y)如式(2)，形成檢索條件。

步驟5：對(duì)于輸入的某產(chǎn)品，獲取其特征語義信息，并在數(shù)據(jù)庫中根據(jù)檢索條件找到相關(guān)度值高于一定閾值的相關(guān)產(chǎn)品作為檢索結(jié)果，如圖5所示，發(fā)明的檢索方法與其他檢索方法首頁查準(zhǔn)率對(duì)比示意圖。

rbm(限制波爾茲曼機(jī))、bn(深度信念網(wǎng)絡(luò))。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。