一种基于骨架的三维模型观察视点生成方法

本发明公开一种基于骨架的三维模型观察视点生成方法，包括步骤：1)生成关联模型各尺度特征的层次骨架；2)根据1)步骤生成的层次骨架，生成各层次骨架径干对应的优化观察视点序列；3)各优化观察视点逐步展示全部模型或用户选择区域的部分模型，其中每一层次骨架径干生成的优化观察视点序列都展示该层次骨架径干所对应的模型部分。本发明的方法生成优化观察视点序列的时间较短，生成一个视点序列一般在1分钟左右。通过本发明的方法生成的视点序列对模型的观察和分析更加全面、准确和快速。本发明可广泛用于可视化、基于图象的建模、虚拟现实等方面。

技术领域

[0001] 本发明属于三维模型分析技术领域，具体涉及一种基于骨架驱动能对三维模型进行由全局特征到局部细节特征逐步有序进行观察的视点生成方法。

背景技术

[0002] 三维模型观察的视点生成，就是要找到能观察模型中更多内容的好视点。这样，在观察分析模型时，可减少需要观察的次数，提高工作效率。这在基于图像的建模、可视化、虚拟现实等很多领域都有着重要而广泛的应用需求。

[0003] 目前观察视点的生成方法，往往着重于寻找一个最佳观察视点，通过这个观察视点获取图像来看到模型最多的内容。一般的工作步骤是度量各个视点的观察效率，然后选择其中最好的作为所选择的视点。已有的观察效率度量方法可大致分为两类，一类是利用几何特征进行度量，而另一类是利用一些语义信息进行度量。前一类方法中用于度量的几何特征很多，如：模型的曲率分布特征（Polonsky，0.，et al.，What，s in an image ？ The Visual Computer, 2005. 21 (8) :p. 840—847) > g fi H IR (Feixas, Μ., M. Sbert,and F. Gonzalez,A unified information-theoretic framework for viewpoint selection andmesh saliency. ACM Trans. Appl. Percept. ,2009. 6(1) :p. 1—23)、 整体深度场信息(Vazquez, P.P., Automatic view selection through depth-based view stability analysis. The Vi sual Computer, 2009. 25 (5) :p. 441__449)等。 一般地，这些度量的信息将与熵计算相结合，以比较不同视点的观察效率（Page，D.，et al.Shape analysis algorithm based on information theory, in Proceedings of the International Conference on Image Processing 2003.2003. Barcelona, Catalonia, Spain.Vazquez,P. P. , et al. ,Automatic View Selection Using Viewpoint Entropy and its Application to Image-Based Modelling. Computer Graphics Forum,2003. 22(4)： p. 689-700.)。这类方法计算比较方便，大多能自动化处理，但不利于处理几何特征简单但语义信息比较重要的模型。后一类方法（Fu，H.，et al.，Upright orientation of man-made objects. ACM Trans. Graph. ,2008. 27(3) :p. 1—7)，一般是先通过机器学习或人工交互将语义信息与几何信息进行关联，然后再对各视点观察到的几何信息进行语义计算，以比较各个视点的观察效率。这类方法所选取的视点一般比较符合人的观察习惯，但操作比较复杂和烦琐。

[0004] 已有的这些视点选择的方法，往往注重的是模型整体的观察效果，而忽略了模型局部和细节特征的观察，不利于模型的全面了解和分析。因为，一个视点不能看到模型的所有内容；特别是，人对一个三维模型的认识，往往要对其全局和局部的内容进行全面了解， 并知晓它们之间的关联性。根据人的认知方式，人们总是先对整体进行大致的了解，然后分析研究各个局部的情况，并在这个基础上综合地、具体地认识整体（廖盖隆等主编，马克思主义百科要览.1993，北京：人民日报出版社）。为此，人们常常采用人工交互来选择一系列的观察视点，以较全面地由全局到局部地了解模型的各种内容。由于人在观察之前对模型内容缺乏全面深入的了解，其交互选择视点时具有一定的盲目性，因此会增加许多观察视点及相关的图像绘制计算，降低了工作效率。为此，如何优化观察视点的选择，一直是国际上相关工作的重点研究内容。

[0005] 三维模型的骨架生成，已有几十年的研究，在计算机动画、模型识别及匹配等方面有着广泛的应用。一般应用比较多的曲线骨架，是将模型的各局部中心点相连接而生成的一些曲线，以反映模型最基本的结构和拓扑关系，具有简单、易于理解、结构紧凑等特点。相关工作的综述，请见文献(Cornea, N.，D. Silver, and P. Min, Curve-skeleton properties, applications, and algorithms. IEEE Transactions on Visualization and Computer Graphics, 2007. 13(3) :p. 530-548)。而利用三维模型的骨架来指导模型的各个尺度特征的区分，从而选择优化观察视点的方法尚未见报道，现有技术中仅有利用骨架对模型进行分割计算的报道，如基于多层次模型骨架的层次分割方法（Reniers，D.，J. van Wijk, and A. Telea, Computing Multiscale Curve and Surface Skeletons of Genus 0 Shapes Using a Global Importance Measure. IEEE Transactions on Visualization and Computer Graphics, 2008. 14(2) :p. 355-368)。但这些方法在骨架的层次与模型的各个尺度的特征对应上有较大偏差，不利于视点选择的度量计算。

发明内容

[0006] 为克服现有技术中观察视点生成不利于模型全面了解和分析的问题，本发明提出一种基于骨架的三维模型观察视点生成方法，可以自动生成一系列视点，方便对模型进行由全局到局部的逐步观察和分析，并且各个视点是优化视点，能尽量多地看到模型的相关内容。

[0007] 本发明的技术方案如下：

[0008] 基于骨架的三维模型观察视点生成方法，包括如下步骤：

[0009] 1)生成关联模型各尺度特征的层次骨架，不同层次骨架径干对应不同模型部分， 层次高的径干，对应模型区域大；层次低的径干，对应模型区域小。层次越高的径干，对应的模型区域越大，更趋向于反映模型的大尺度的特征；反之，层次低的径干，对应模型较小的区域，趋向于反映模型的小尺度局部特征。

[0010] 2)根据1)步骤生成的层次骨架，生成各层次骨架径干对应的优化观察视点序列。

[0011] 3)各层次优化观察视点序列逐步展示全部模型或用户选择区域的部分模型，其中每一层次骨架径干生成的优化观察视点都展示该层次骨架径干所对应的模型部分，各个径干对应模型部分的展示顺序是根据各径干在层次骨架中的关联性顺序进行展示的。

[0012] 在这一步骤中能对全部模型进行由全局到局部的逐步观察或者针对用户选择区域的部分模型进行逐步观察。

[0013] 在全部模型观察中，首先，将模型在一个整体层次上生成优化的观察视点，能较好地观察模型的全貌；然后，根据所得的层次骨架径干，依次将各层次径干所对应的模型部分进行逐步展示，展示时都是用相关部分的优化视点进行绘制，并且各个径干对应部分的展示是根据它们之间在层次骨架中的关联性进行顺序的排列。

[0014] 如果用户想重点观察某个部分的情况，通过交互的手段让用户交互地选择感兴趣的区域，然后自动地将该区域的各尺度特征进行由大到小的依次展示，且展示是用相关部分的优化视点进行绘制。

[0015] 进一步，基于骨架的三维模型观察视点生成方法，所述生成关联模型各尺度特征的层次骨架的方法如下：

[0016] (a)对模型的特征进行分害I]，所用方法参见文献（Golovinskiy，A. and Τ. Funkhouser,Randomized cuts for 3D mesh analysis. ACM Trans. Graph. ,2008. 27(5)： p. 1-12)，该方法的分割结果能较好地保持特征的完整性，并使得分割的各个部分比较符合人认知所需的语义要求。

[0017] (b)对模型基于电势场的方法生成层次骨架，即在模型表面均勻地分布一些样点， 让样点沿着电势降低最大的方向运动，逐步地汇聚，当样点不再运动时，它们的运动轨迹就形成了骨架的径干，多个径干的交点就形成骨架的分支节点或子节点，根据样点运动时汇聚的情况，就得到了模型的层次骨架。生成层次骨架的方法参见文献（Cornea，N. D.，et al. ,Computing hierarchical curve-skele tons of 3d objects.The Visual Computer, 2005.21 (11) :p. 945—955)。其中样点是在一个区域中采样的点。

[0018] (c)将（b)步骤中生成的层次骨架径干与（a)步骤中形成的模型特征的分割部分进行对应。对于一个分割部分，其大部分样点对应的径干就作为该分割部分对应的骨架部分，例如：如果一个分割部分上有100个样点，其中有80个样点将移动到某一径干，则将该分割部分关联对应到该径干。由此，就可建立层次骨架与模型的不同特征区域的对应关系。

[0019] 进一步，基于骨架的三维模型观察视点生成方法，所述优化观察视点的生成方法如下：

[0020] 在层次骨架径干对应的模型部分的观察包围球上均勻设置一定数量的视点，并对每个视点观察到的模型内容及其重要程度给出一个量化的度量结果，根据度量结果确定优化观察视点，其度量方法是将模型可见顶点的法向投影到该视点对应的视平面上，依此计算一个视点相关曲率，再根据该曲率的分布特征计算一个熵值以进行度量。具体可参考文献（杨利明，王文成，吴恩华.基于视平面上特征计算的视点选择.计算机辅助设计与图形学学报，Vol. 20，No. 9，p. 1097-1103,2008 年 9 月)中的方法。

[0021] 进一步，基于骨架的三维模型观察视点生成方法，所述第幻步骤中逐步展示模型是根据模型各部分的重要性来进行展示的，优先展示重要性高的部分。

[0022] 对模型各部分重要性度量的方法为：对模型的每个顶点，计算多个尺度范围内的高斯加权平均曲率，并进行加权求和，得到重要性度量值；为避免各个部分的面积差异对度量的影响，对一个部分度量时，先将它各个顶点的度量值求和，再除以该部分的面积；而对于层次骨架中的各个子节点，其重要性度量值，就是它所对应模型的部分的重要性度量值的总和。重要性度量的方法可参见文献（Lee，C. H.，A. Varshney, and D. W. Jacobs. Mesh saliency. in SIGGRAPH，05 :ACM SIGGRAPH 2005Papers. 2005. New York, NY, USA :ACM)中的 “Mesh Saliency” 方法。

[0023] 据此，根据层次骨架生成观察视点序列时，从根节点开始，以深度优先的方式遍历树结构，直至叶子节点。而在处理一个中间节点的多个子节点时，就按照它们的重要性度量值进行排序。这样，就可生成从全局到局部的多个观察序列，便于对模型进行从全局到局部的全方位展示。

[0024] 本发明的基于骨架的三维模型观察视点生成方法，生成优化观察视点序列的时间较短，生成一个视点序列一般在1分钟左右。通过本发明的方法生成的视点序列对模型的观察和分析更加全面、准确和快速。本发明可广泛用于可视化、基于图象的建模、虚拟现实等方面。

附图说明null实施方式

[0030] 实施例1

[0031] 参见图1、2、3、4，基于骨架的三维模型观察视点生成方法，包括如下步骤：

[0032] 1)将模型生成能关联模型各尺度特征的层次骨架，不同层次骨架径干对应不同模型部分，层次高的径干，对应模型区域大；层次低的径干，对应模型区域小。层次越高的径干，对应的模型区域越大，更趋向于反映模型的大尺度的特征；反之，层次低的径干，对应模型较小的区域，趋向于反映模型的小尺度局部特征。

[0033] 2)根据1)步骤生成的层次骨架，生成各层次骨架径干对应的优化观察视点序列。

[0034] 3)各优化观察视点序列逐步展示模型，其中每一层次骨架径干生成的优化观察视点都展示该层次骨架径干所对应的模型部分，各个径干对应模型部分的展示顺序是根据各径干在层次骨架中的关联性顺序进行展示的。

[0035] 通过上述步骤，则可以对模型进行由全局到局部的逐步展示，见图2和图3形成的模型观察序列图，它是对全部模型的展示，使人们很容易对模型的整体和部分细节进行全面的了解和分析。

[0036] 同时如果要展示用户感兴趣的局部模型，则通过交互方式首先由用户选定需要的区域，本发明的方法则自动将该区域的各尺度特征进行由大到小的依次展示，见图4。

[0037] 具体生成能关联模型各尺度特征的层次骨架的方法如下：

[0038] (a)对模型的特征进行分割；

[0039] (b)对模型基于电势场的方法生成层次骨架，即在模型表面分布样点，让样点沿着电势降低最大的方向运动，逐步地汇聚，当样点不再运动时，它们的运动轨迹就形成了骨架的径干，多个径干的交点就形成骨架的分支节点，根据样点运动时汇聚的情况，就得到了模型的层次骨架。

[0040] (c)将（b)步骤中生成的层次骨架径干与（a)步骤中形成的模型特征的分割部分进行对应，对于一个分割部分，大部分样点对应的径干就作为该分割部分对应的骨架部分。 在生成层次骨架时模型表面样点的运动轨迹为骨架径干，对于一个分割部分，考察其样点对应的径干情况，将其中大多数样点对应的径干作为该分割部分对应的骨架部分。即当一个分割部分的大部分样点移动到其中的一个径干时，则该径干就关联对应该分割部分，从而建立起层次骨架与模型的不同特征区域的对应关系。可参见图1，A、B、C、D、E是分割的模型各个局部特征，①、②、③、④、⑤表示层次骨架对应的径干，两者自动相互适应。

[0041] 优化观察视点的生成方法如下：

[0042] 在层次骨架径干对应的模型部分的观察包围球上均勻分布一定数量的视点，并对每个视点观察到的模型内容及其重要程度给出一个量化的度量结果，根据度量结果确定优化观察视点度量的具体方法是将模型可见顶点的法向投影到该视点对应的视平面上，依此计算一个视点相关曲率，再根据该曲率的分布特征计算一个熵值进行度量。

[0043] 模型的逐步展示是根据模型各部分的重要性来进行展示的，优先展示重要性高的部分。

[0044] 对模型各部分重要性度量的方法为：对模型的每个顶点，计算多个尺度范围内的高斯加权平均曲率，并进行加权求和，得到重要性度量值；为避免各个部分的面积差异对度量的影响，对一个部分度量时，先将它各个顶点的度量值求和，再除以该部分的面积；而对于层次骨架中的各个子节点，其重要性度量值，就是它所对应模型的部分的重要性度量值的总和。

[0045] 据此，使用本发明的方法根据层次骨架生成的观察视点序列，从根节点开始，以深度优先的方式遍历树结构，直至叶子节点。而在处理一个中间节点的多个子节点时，就按照它们的重要性度量值进行排序。这样，就可生成从全局到局部的多个观察序列，便于对模型进行从全局到局部的全方位展示。

[0046] 实施例2本发明的方法与交互选择视点方法观察模型的对比实验

[0047] 选择图5显示的三个模型进行实验。

[0048] 实验在一台PC上进行，该微机配备了一个htel E8400CPU及3G RAM。用户界面及交互工具用Qt库来完成。

[0049] 首先按照实施例1的步骤对模型进行特征分割以及层次骨架的建立，然后生成优化的观察视点序列。虽然特征分割及层次骨架的建立比较费时，但其结果可反复使用，因此我们一般将其作为预处理结果保留，以备后续的观察使用。对模型的视点选择一般比较快， 生成一个视点序列一般在1分钟左右。

[0050] 按实施例1的步骤生成优化观察视点序列，并自动生成一系列图像来展示模型的全局及局部的情况；然后选择模型的全局好视点图像。

[0051] 将测试者分成2组，每组10〜12人。然后，让一组观察本发明方法自动生成的一系列图像，回答12个关于模型内容的问题；而让另一组人工交互地选择视点去观察选择好的模型的全局好视点图像，回答同样的问题。比较他们完成这些问题的时间，评测本发明方法的效率。因为模型观察是要尽可能全面地认识模型，因此，我们根据回答问题的正确率对时间进行了加权处理，即将完成问题的实际时间除以正确率，以得到用以比较的统计时间。换句话说，如果全部回答正确，用于统计的时间就是实际时间，回答错误越多用于统计的时间就越长。表1中列出了相关统计数据，其中也包含了实际观察了解模型所用的时间。从实验结果看，相比于人工交互选择视点的观察方法，我们的方法可将加权时间平均减少52. 7%，而将错误率从22. 2%降低到了 4. 6%，即便是实际的观察时间，我们的方法也有大幅的降低。这表明，我们的观察方法是有利于观察效率提高的。

[0052] 表1.对比实验的统计数据

[0053]

7