专利名称：基于相关度信息的三维模型的特征提取方法和装置的制作方法
技术领域：
本发明涉及计算机应用领域，尤其涉及一种基于相关度信息的三维模型的特征提 取方法和装置。
背景技术：
近年来，随着互联网上越来越多的三维模型的出现，如何对这些三维模型进行检 索成为一个关键问题。三维模型检索指的是通过一个已有的三维模型来检索出与它最相似 的几个三维模型。两个三维模型的相似度是指在规范化的坐标系中一个三维模型表面上的 任意一点到另一个三维模型表面最近一点的距离的平方和。然而，直接比较两个三维模型 的相似度需要大量的计算时间，不适合目前三维模型检索系统对实时性的要求，因此，需要 先对三维模型进行特征提取得到特征描述符。由于特征描述符是一个固定维数的特征向量 即多维欧式空间中的一点，这样一来，两个三维模型之间的相似度比较就转化为了两个点 之间距离远近的比较，从而使三维模型检索系统的实时性得到了保证。现有技术中的一种三维模型的特征提取方法为深度缓存算法。该算法采用深度 缓存法进行特征提取，主要处理过程如下对三维模型进行平移、缩放、旋转的规范化预处理，计算出三维模型相对于包围盒 六个表面的深度，得到六个面分别对应的六幅深度图像。然后，对六幅深度图像分别进行二 维快速傅立叶变换，并通过低频采样将每幅深度图像转化为73维的特征向量，将该特征向 量作为三维模型的每个面对应的特征向量。然后，根据计算出的三维模型的特征向量计算出三维模型之间的相关度，获得三 维模型的检索结果。在实现本发明过程中，发明人发现现有技术中的三维模型的特征提取方法至少存 在如下问题该方法认为每个投影后的深度图像与三维模型的相关度是相同的，计算出的 三维模型的特征向量没有准确地表示三维模型的特征信息。
发明内容
本发明的目的在于提供一种基于相关度信息的三维模型的特征提取方法和装置， 以有效地对三维模型进行特征提取。一种基于相关度信息的三维模型的特征提取方法，其特征在于，包括获取三维模型的各个面分别对应的深度图像，分别计算出每幅深度图像和三维模 型之间的相关度；将所述每幅深度图像和三维模型之间的相关度加权到每幅深度图像所对应的面 所对应的特征向量中，获取三维模型的特征向量。其中，所述的获取三维模型的各个面分别对应的深度图像，包括采用深度缓存算法对三维模型进行平移、缩放、旋转的规范化预处理，计算出所述 规范化预处理后的三维模型相对于包围盒六个表面的深度，得到三维模型的六个面分别对应的六幅深度图像。其中，所述的分别计算出每幅深度图像和三维模型之间的相关度，包括计算出深度图像中包括的图像轮廓点的总数目，将所述总数目作为深度图像和三 维模型之间的相关度，所述的轮廓点表示该点的深度值不为0而它的八个邻接点中有一个 点的深度值为0 ；或者，从深度图像的中心点出发每隔固定角度发射一条射线，该射线会与深度图像中许 多深度值不为0的点相交，在这些交点中与深度图像的中心距离最远的点即为该射线上的 采样点，提取深度图像中的所有采样点，将所有的采样点与深度图像的中心点之间的距离 进行叠加，将得到的叠加值作为深度图像和三维模型之间的相关度；或者，将深度图像中包括的所有点的深度值进行叠加，将得到的叠加值作为深度图像和 三维模型之间的相关度；或者，将深度图像的中心点到深度图像的所有面中的所有点之间的距离进行叠加，将得 到的叠加值作为深度图像和三维模型之间的相关度。其中，所述的将深度图像的中心点到深度图像的所有面中的所有点之间的距离进 行叠加，将得到的叠加值作为深度图像和三维模型之间的相关度，包括设Pij为深度图像中的点(i，j)，p。为深度图像的中心点，Vij为深度图像的中心点 (i，j)的深度值，d(pl，p2)为点pi与点p2之间的距离，则深度图像和三维模型之间的相 关度Rv的计算方法如下 每一幅深度图像由N女N个点组成，N表示深度图像中的行数或列数。其中，所述的将所述每幅深度图像和三维模型之间的相关度加权到每幅深度图像 所对应的面所对应的特征向量中，获取三维模型的特征向量，包括将每个面对应的深度图像和三维模型之间的相关度进行规范化；将规范化后的每个面对应的深度图像和三维模型之间的相关度加权到每个面所 对应的特征向量中，得到三维模型的每个面所对应的新的特征向量，将三维模型的每个面 的新的特征向量进行叠加后，得到三维模型的特征向量。其中，所述的将每个面对应的深度图像和三维模型之间的相关度进行规范化，包 括设炉为第i个深度图像与三维模型的相关度，则规范化后的第i个深度图像与三
维模型的相关度为 — 6 其中，所述的将规范化后的每个面对应的深度图像和三维模型之间的相关度加权到每个面所对应的特征向量中，得到三维模型的每个面所对应的新的特征向量，将三维模 型的每个面的新的特征向量进行叠加后，得到三维模型的特征向量，包括设F；为第i幅深度图像所对应的第i个面的特征向量的第j维，Ri为规范化后第 i幅深度图像和三维模型之间的相关度，则将Ri加权到^；后，得到的第i个面的新的特征向 量为 上述M表示特征向量的维的总数。将三维模型的六个面的新的特征向量进行叠加后，得到三维模型的特征向量为 —种基于相关度信息的三维模型的特征提取装置，其特征在于，包括相关度获取模块，用于获取三维模型的各个面分别对应的深度图像，分别计算出 每幅深度图像和三维模型之间的相关度；特征向量获取模块，用于将所述相关度计算模块所计算出的所述每幅深度图像和 三维模型之间的相关度加权到每幅深度图像所对应的面所对应的特征向量中，获取三维模 型的特征向量。其中，所述的相关度获取模块包括深度图像获取模块，用于采用深度缓存算法对三维模型进行平移、缩放、旋转的规 范化预处理，计算出所述规范化预处理后的三维模型相对于包围盒六个表面的深度，得到 三维模型的六个面分别对应的六幅深度图像；相关度计算模块，用于计算出深度图像中包括的图像轮廓点的总数目，将所述总 数目作为深度图像和三维模型之间的相关度，所述的轮廓点表示该点的深度值不为0而它 的八个邻接点中有一个点的深度值为0 ；或者，从深度图像的中心点出发每隔固定角度发射一条射线，该射线会与深度图像中许 多深度值不为0的点相交，在这些交点中与深度图像的中心距离最远的点即为该射线上的 采样点，提取深度图像中的所有采样点，将所有的采样点与深度图像的中心点之间的距离 进行叠加，将得到的叠加值作为深度图像和三维模型之间的相关度；或者，将深度图像中包括的所有点的深度值进行叠加，将得到的叠加值作为深度图像和 三维模型之间的相关度；或者，将深度图像的中心点到深度图像的所有面中的所有点之间的距离进行叠加，将得 到的叠加值作为深度图像和三维模型之间的相关度。其中，所述的特征向量获取模块包括规范化处理模块，用于将每个面对应的深度图像和三维模型之间的相关度进行规 范化；加权和叠加处理模块，用于将规范化后的每个面对应的深度图像和三维模型之间的相关度加权到每个面所对应的特征向量中，得到三维模型的每个面所对应的新的特征向 量，将三维模型的每个面的新的特征向量进行叠加后，得到三维模型的特征向量；设η为第i幅深度图像所对应的第i个面的特征向量的第j维，Ri为规范化后第 i幅深度图像和三维模型之间的相关度，则将Ri加权到巧后，得到的第i个面的新的特征向 量为 上述N表示特征向量的维的总数。将三维模型的六个面的新的特征向量进行叠加后，得到三维模型的特征向量为 本发明的优点及功效在于，由上述本发明提供的技术方案可以看出，本发明通过 计算出每幅深度图像和三维模型之间的相关度，将所述每幅深度图像和三维模型之间的相 关度加权到每幅深度图像所对应的面所对应的特征向量中，能够有效地对三维模型进行特 征提取，计算出的三维模型的特征向量能够准确地表示三维模型的特征信息。
图1为本发明实施例一提供的一种基于相关度的三维模型的特征提取方法的处 理流程图；图2为本发明实施例二提供的一种基于相关度信息的三维模型的特征提取装置 的具体实现结构图。
具体实施例方式本发明实施例中，获取三维模型的各个面分别对应的深度图像，分别计算出每幅 深度图像和三维模型之间的相关度。然后，将所述每幅深度图像和三维模型之间的相关度 加权到每幅深度图像所对应的面所对应的特征向量中，获取三维模型的特征向量。为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步 的解释说明，且各个实施例并不构成对本发明实施例的限定。实施例一该实施例提供的一种基于相关度信息的三维模型的特征提取方法的处理流程如 图1所示，包括如下的处理步骤步骤11、采用深度缓存算法得到三维模型的六个面分别对应的六幅深度图像。本发明实施例首先采用深度缓存算法得到三维模型的六幅深度图像，具体处理过 程主要包括对三维模型进行平移、缩放、旋转的规范化预处理。其中平移规范化使得三维模型 的质心移动到原点，缩放规范化使得三维模型表面每个点到质心的平均距离为一常量，旋 转规范化通过使用CPCA (Continous Principal Component Analysis，连续主成分分析)方 法使得三维模型的三个主轴分别为X、y、ζ轴。计算出上述规范化预处理后的三维模型相对于包围盒(Bounding Box)六个表面的深度，得到三维模型的六幅深度图像。上述包围盒是指确定8个顶点包围三维模型的长 方体。步骤12、计算出每幅深度图像和三维模型之间的相关度，并对相关度进行规范化。本发明实施例认为每幅深度图像与三维模型的相关度均不同，需要找出深度图像 中的某种信息，使其可以反映该深度图像与三维模型的相关度，即该信息量越大，该深度图 像与三维模型的相关度越大，反之亦然。本发明实施例提出了以下四种图像信息来计算深 度图像与三维模型之间的相关度(1)图像轮廓点的个数如果深度图像中某点的深度值不为0而它的八个邻接点中有一个点的深度值为 0，则该某点为轮廓点。对于一幅深度图像，提取所有的轮廓点，并计算它们的数目。则深度 图像与三维模型之间的相关度Rs的计算方法如下Rs =图像中所有轮廓点的个数(2)等弧度采样点到图像中心的距离和该方法对深度图像进行等弧度轮廓采样，即从深度图像中心出发每隔固定角度发 射一条射线，该射线会与深度图像中许多深度值不为0的点相交，在这些交点中与深度图 像的中心距离最远的点即为该射线上的采样点。对于一幅深度图像，提取所有的采样点，设采样点数目K = 256，采样点为Pi，i = 1，2...K，图像中心点为p。，d(pl，p2)表示点pi与点p2的距离。则深度图像与三维模型之 间的相关度Rd的计算方法如下 (3)深度图像中所有点的深度和设Vij为深度图像中点(i，j)的深度值，则深度图像与三维模型之间的相关度Rz 的计算方法如下A (4)将深度图像的中心点到深度图像的所有面中的所有点之间的距离进行叠加， 将得到的叠加值作为深度图像和三维模型之间的相关度。设Pij为深度图像中的点(i，j)，ρ。为深度图像的中心点，Vij为深度图像的中心点 (i，j)的深度值，d(pl，p2)为点pi与点p2之间的距离，则相关度Rv的计算方法如下
N 每一幅深度图像由N女N个点组成，N表示深度图像中的行数或列数。在计算出了六个面的深度图像分别与三维模型的相关度之后，需要把六个面的相 关度分别进行规范化。设炉为第i个深度图像与三维模型的相关度，则规范化后的第i个深度图像与三 维模型的相关度为 步骤13、将规范化后的每个面对应的深度图像和三维模型之间的相关度加权到每 个面所对应的特征向量中，得到三维模型的特征向量。将规范化后的每个面的深度图像与三维模型的相关度加权到每个面所对应的特 征向量中，得到三维模型的每个面所对应的新的特征向量。设η为第i幅深度图像所对应的第i个面的特征向量的第j维，Ri为规范化后第 i幅深度图像和三维模型之间的相关度，则将Ri加权到。后，得到的第i个面的新的特征向 量为 上述M表示特征向量的维的总数。将三维模型的六个面的新的特征向量进行叠加后，可以得到一个三维模型的特征 比如，当M = 73时，则上述三维模型的特征向量可以表示为 在分别得到了两个三维模型ml与m2的特征向量vl与v2后，可以计算出两个三 维模型ml与m2之间的相似度S (ml, m2)，具体计算方法如下S(ml, m2) = d(vl, v2)上述d(vl，v2)表示向量vl与v2间的曼哈顿距离(Li-距离)。本发明实施例还提供了将上述本发明实施例所述的三维模型的特征提取方法应 用在PSB (Princeton Shape Benchmark，普林斯顿三维模型标准库)中的实验结果。PSB是 由普林斯顿大学建立的第一个三维模型公认标准库，共有三维模型1814个，分成92个基本 小类，有汽车、飞机、人、动物、家具、植物等几乎与人们生活相关的物品模型。分别采用上述四种计算深度图像与三维模型的相关度的方法来分别计算出三维 模型的特征向量，再采用Ll度量方式计算出三维模型之间的相似度距离，得到三维模型的 检索结果。然后，采用如下的几种三维模型检索领域标准的评价方法来评价所得到的三维 模型的检索结果。Nearest neighbor (最邻近)。该评价方式描述与查询模型最相似的模型是否属 于同一个模型类。First-tier (第一层)禾口 Second-tier (第二层)。First-tier 禾口 Second-tier 评 价方式表示在返回的最相似M个模型中相关模型个数与查询模型类中模型个数的比例。设 定C表示查询模型类中模型的个数(不包含查询模型)。在First-tier评价方式下，M =
C ；在 Second-tier 评价方式下，M= 2X |C|。
10
Discounted Cumulative Gain (DCG)。设定G是根据所有模型与查询模型的相似 度距离序列转换而得的一个列表，如果相似度距离序列中第i个模型属于查询模型类，则 Gi设为1，否则为0。
然后将上述公式1的结果除以一个最大可能值得到最终的
其中k表示模型库中模型的总数，Icl表示查询模型类的模型个数。采用上述几种标准的评价方法对三维模型的检索性能进行评价，得到的评价结果 如表1所示。其中NR表示不使用相关度的特征提取算法；Rs、Rd、RV、Rz分别表示上述实施 例中提到的四种相关度方法。表1 五种算法的多种评价方式结果 从上述表1可以看出，使用等弧度采样点到图像中心的距离和作为相关度的方法 (Rd)检索效果最好。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以 通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质 中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁 碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random Access Memory, RAM)等。实施例二本发明实施例还提供了一种基于相关度信息的三维模型的特征提取装置，其具体 实现结构如图2所示，包括相关度获取模块21，用于获取三维模型的各个面分别对应的深度图像，分别计算
11出每幅深度图像和三维模型之间的相关度；特征向量获取模块22，用于将所述相关度计算模块所计算出的所述每幅深度图像 和三维模型之间的相关度加权到每幅深度图像所对应的面所对应的特征向量中，获取三维 模型的特征向量。所述的相关度获取模块21包括深度图像获取模块211，用于采用深度缓存算法对三维模型进行平移、缩放、旋转 的规范化预处理，计算出所述规范化预处理后的三维模型相对于包围盒六个表面的深度， 得到三维模型的六个面分别对应的六幅深度图像；相关度计算模块212，用于计算出深度图像中包括的图像轮廓点的总数目，将所述 总数目作为深度图像和三维模型之间的相关度，所述的轮廓点表示该点的深度值不为0而 它的八个邻接点中有一个点的深度值为0 ；或者，从深度图像的中心点出发每隔固定角度发射一条射线，该射线会与深度图像中许 多深度值不为0的点相交，在这些交点中与深度图像的中心距离最远的点即为该射线上的 采样点，提取深度图像中的所有采样点，将所有的采样点与深度图像的中心点之间的距离 进行叠加，将得到的叠加值作为深度图像和三维模型之间的相关度；或者，将深度图像中包括的所有点的深度值进行叠加，将得到的叠加值作为深度图像和 三维模型之间的相关度；或者，将深度图像的中心点到深度图像的所有面中的所有点之间的距离进行叠加，将得 到的叠加值作为深度图像和三维模型之间的相关度。设Pij为深度图像中的点(i，j)，p。为深度图像的中心点，Vij为深度图像的中心点 (i，j)的深度值，d(pl，p2)为点pi与点p2之间的距离，则相关度RV的计算方法如下 每一幅深度图像由N女N个点组成，N表示深度图像中的行数或列数。所述的特征向量获取模块22包括规范化处理模块221，用于将每个面对应的深度图像和三维模型之间的相关度进
行规范化。设Ri为第i个深度图像与三维模型的相关度，则规范化后的第i个深度图像与
三维模型的相关度为 _ 6 加权和叠加处理模块222，用于将规范化后的每个面对应的深度图像和三维模型 之间的相关度加权到每个面所对应的特征向量中，得到三维模型的每个面所对应的新的特 征向量，将三维模型的每个面的新的特征向量进行叠加后，得到三维模型的特征向量；设G为第i幅深度图像所对应的第i个面的特征向量的第j维，Ri为规范化后第i幅深度图像和三维模型之间的相关度，则将Ri加权到。后，得到的第i个面的新的特征向 量为 上述M表示特征向量的维的总数。将三维模型的六个面的新的特征向量进行叠加后，得到三维模型的特征向量为 综上所述，本发明实施例给出了一种基于相关度的三维模型的特征提取算法。该 算法使用深度缓存算法进行特征提取并得到深度图像，然后计算每个深度图像与三维模型 的相关度，最后把相关度加权到深度图像所对应的特征向量中得到三维模型的特征向量。 实验结果表明，本发明实施例能够有效地对三维模型进行特征提取，计算出的三维模型的 特征向量能够准确地表示三维模型的特征信息，有效地计算出三维模型之间的相似度，获 取准确的三维模型的检索结果。以上所述，仅为本发明较佳的具体实施方式
，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围 为准。
权利要求
一种基于相关度信息的三维模型的特征提取方法，其特征在于，包括获取三维模型的各个面分别对应的深度图像，分别计算出每幅深度图像和三维模型之间的相关度；将所述每幅深度图像和三维模型之间的相关度加权到每幅深度图像所对应的面所对应的特征向量中，获取三维模型的特征向量。
2.根据权利要求1所述的基于相关度信息的三维模型的特征提取方法，其特征在于， 所述的获取三维模型的各个面分别对应的深度图像，包括采用深度缓存算法对三维模型进行平移、缩放、旋转的规范化预处理，计算出所述规范 化预处理后的三维模型相对于包围盒六个表面的深度，得到三维模型的六个面分别对应的 六幅深度图像。
3.根据权利要求1所述的基于相关度信息的三维模型的特征提取方法，其特征在于， 所述的分别计算出每幅深度图像和三维模型之间的相关度，包括计算出深度图像中包括的图像轮廓点的总数目，将所述总数目作为深度图像和三维模 型之间的相关度，所述的轮廓点表示该点的深度值不为0而它的八个邻接点中有一个点的 深度值为0 ；或者，从深度图像的中心点出发每隔固定角度发射一条射线，该射线会与深度图像中许多深 度值不为0的点相交，在这些交点中与深度图像的中心距离最远的点即为该射线上的采样 点，提取深度图像中的所有采样点，将所有的采样点与深度图像的中心点之间的距离进行 叠加，将得到的叠加值作为深度图像和三维模型之间的相关度；或者，将深度图像中包括的所有点的深度值进行叠加，将得到的叠加值作为深度图像和三维 模型之间的相关度；或者，将深度图像的中心点到深度图像的所有面中的所有点之间的距离进行叠加，将得到的 叠加值作为深度图像和三维模型之间的相关度。
4.根据权利要求3所述的基于相关度信息的三维模型的特征提取方法，其特征在于， 所述的将深度图像的中心点到深度图像的所有面中的所有点之间的距离进行叠加，将得到 的叠加值作为深度图像和三维模型之间的相关度，包括Spu为深度图像中的点(i，j)，P。为深度图像的中心点，Vu为深度图像的中心点(i， j)的深度值，d(pl，p2)为点Pl与点p2之间的距离，则深度图像和三维模型之间的相关度 Rv的计算方法如下 每一幅深度图像由N女N个点组成，N表示深度图像中的行数或列数。
5.根据权利要求1至4任一项所述的基于相关度信息的三维模型的特征提取方法，其 特征在于，所述的将所述每幅深度图像和三维模型之间的相关度加权到每幅深度图像所对应的面所对应的特征向量中，获取三维模型的特征向量，包括将每个面对应的深度图像和三维模型之间的相关度进行规范化； 将规范化后的每个面对应的深度图像和三维模型之间的相关度加权到每个面所对应 的特征向量中，得到三维模型的每个面所对应的新的特征向量，将三维模型的每个面的新 的特征向量进行叠加后，得到三维模型的特征向量。
6.根据权利要求5所述的基于相关度信息的三维模型的特征提取方法，其特征在于， 所述的将每个面对应的深度图像和三维模型之间的相关度进行规范化，包括设圮为第i个深度图像与三维模型的相关度，则规范化后的第i个深度图像与三维模型的相关度为 _ 6
7.根据权利要求5所述的基于相关度信息的三维模型的特征提取方法，其特征在于， 所述的将规范化后的每个面对应的深度图像和三维模型之间的相关度加权到每个面所对 应的特征向量中，得到三维模型的每个面所对应的新的特征向量，将三维模型的每个面的 新的特征向量进行叠加后，得到三维模型的特征向量，包括设”为第i幅深度图像所对应的第i个面的特征向量的第j维，Ri为规范化后第i幅深 度图像和三维模型之间的相关度，则将Ri加权到K后，得到的第i个面的新的特征向量为 上述M表示特征向量的维的总数。将三维模型的六个面的新的特征向量进行叠加后，得到三维模型的特征向量为
8.一种基于相关度信息的三维模型的特征提取装置，其特征在于，该装置包括相关度获取模块，用于获取三维模型的各个面分别对应的深度图像，分别计算出每幅 深度图像和三维模型之间的相关度；特征向量获取模块，用于将所述相关度计算模块所计算出的所述每幅深度图像和三维 模型之间的相关度加权到每幅深度图像所对应的面所对应的特征向量中，获取三维模型的 特征向量。
9.根据权利要求8所述的基于相关度信息的三维模型的特征提取装置，其特征在于， 所述的相关度获取模块包括深度图像获取模块，用于采用深度缓存算法对三维模型进行平移、缩放、旋转的规范化 预处理，计算出所述规范化预处理后的三维模型相对于包围盒六个表面的深度，得到三维 模型的六个面分别对应的六幅深度图像；相关度计算模块，用于计算出深度图像中包括的图像轮廓点的总数目，将所述总数目 作为深度图像和三维模型之间的相关度，所述的轮廓点表示该点的深度值不为0而它的八 个邻接点中有一个点的深度值为0 ； 或者，从深度图像的中心点出发每隔固定角度发射一条射线，该射线会与深度图像中许多深度值不为0的点相交，在这些交点中与深度图像的中心距离最远的点即为该射线上的采样 点，提取深度图像中的所有采样点，将所有的采样点与深度图像的中心点之间的距离进行 叠加，将得到的叠加值作为深度图像和三维模型之间的相关度； 或者，将深度图像中包括的所有点的深度值进行叠加，将得到的叠加值作为深度图像和三维 模型之间的相关度； 或者，将深度图像的中心点到深度图像的所有面中的所有点之间的距离进行叠加，将得到的 叠加值作为深度图像和三维模型之间的相关度。
10.根据权利要求8或9所述的基于相关度信息的三维模型的特征提取装置，其特征在 于，所述的特征向量获取模块包括规范化处理模块，用于将每个面对应的深度图像和三维模型之间的相关度进行规范化；加权和叠加处理模块，用于将规范化后的每个面对应的深度图像和三维模型之间的相 关度加权到每个面所对应的特征向量中，得到三维模型的每个面所对应的新的特征向量， 将三维模型的每个面的新的特征向量进行叠加后，得到三维模型的特征向量；设^；为第i幅深度图像所对应的第i个面的特征向量的第j维，Ri为规范化后第i幅深 度图像和三维模型之间的相关度，则将Ri加权到巧后，得到的第i个面的新的特征向量为 上述N表示特征向量的维的总数；将三维模型的六个面的新的特征向量进行叠加后，得到三维模型的特征向量为
全文摘要
本发明提供了一种基于相关度信息的三维模型的特征提取方法和装置。该方法主要包括获取三维模型的各个面分别对应的深度图像，分别计算出每幅深度图像和三维模型之间的相关度；将所述每幅深度图像和三维模型之间的相关度加权到每幅深度图像所对应的面所对应的特征向量中，获取三维模型的特征向量。利用本发明，能够有效地对三维模型进行特征提取，计算出的三维模型的特征向量能够准确地表示三维模型的特征信息。
文档编号G06K9/62GK101894265SQ20101022097
公开日2010年11月24日 申请日期2010年6月29日 优先权日2010年6月29日
发明者冷彪, 徐州川, 熊璋, 陈浪石 申请人:北京航空航天大学