基于3D‑SUSAN算子的三维模型感兴趣点提取方法与流程

本发明涉及三维模型感兴趣点提取，具体讲的是关于一种基于3D-SUSAN角点算子的三维模型感兴趣点提取方法。

背景技术：

近年来3D应用得到了广泛的关注，在三维模型发展的过程中，感兴趣点提取是很多3D应用技术的本质，例如，网格简化、网格分割、视点选择和三维模型匹配检索。使用感兴趣点匹配三维模型，需要提供模型的局部特征点。这种方法也适用于三维图片识别、匹配。

在感兴趣点提取的领域中，无论是在理论上还是在实际3D应用中，我们都可以目睹这种技术的巨大进步。这些进步可以从模型分析、模型传送和模型渲染上得以体现。感兴趣点提取技术通常使用数学手段提取特征，比如几何数学中的曲率，曲率越大越显著。

三维模型感兴趣点提取也面临着一些挑战和困难。首先，到现在为止都不存在明确的关于感兴趣点的定义。基于一些主观研究表明感兴趣点是指点与其他点存在较大的差异的点。然后，由于3D网格的拓扑方向是任意的，模型顶点就有任意的邻居顶点。最后，除了顶点的位置信息，没有其他有关顶点的信息，因此需要计算顶点的其他特征信息。

二维角点检测算子可以笼统地归纳为3类分别是基于灰度图像的角点检测、基于二值图像的角点检测和基于轮廓曲线的角点检测。常见的角点算子包括Moravec角点检测算子、Harris角点检测算子和SUSAN角点检测算子等。其中SUSAN角点检测算子根据与每一图像点相关的局部区域具有相同的像素值。如果某一窗口区域内的每一个像素值与该窗口中心的像素值相同或相似，我们将该区域称之为USAN区域。若USAN区域小于阈值，我们将认为该区域的中心点为角点。

参考文献

[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).

技术实现要素：

本发明的目的是鉴于三维模型感兴趣点对网格简化、网格分割、视点选择和3D模型匹配检索的重要性，提出一种基于3D-SUSAN角点算子的三维模型感兴趣点提取方法，该方法将二维图像特征点提取的SUSAN角点检测算子引入三维领域，提出了一种3D-SUSAN角点检测算子，并有效提取三维模型感兴趣点。该方法继承了SUSAN算子的抗噪能力强、计算量小、效率高和性能稳定等特点。

为了实现上述目的，本发明通过以下技术方案予以实现，具体包括如下步骤：：

步骤(1)：利用网格读取算法计算待提取三维模型的顶点位置坐标，并且利用网格简化算子将待提取三维模型顶点进行简化。

步骤(2)：利用曲率算子计算每个顶点的曲率。

步骤(3)：利用高斯函数对曲率值进行高斯处理，去除噪声，得到去噪后的曲率值。

步骤(4)：定义顶点集群，根据邻居顶点与当前顶点的距离，选取距离最短的前36个邻居顶点作为与当前顶点曲率值比较的顶点集群。

步骤(5)：根据步骤(4)定义的顶点集群，若当前顶点与顶点集群内其他邻居顶点的曲率差值小于定义的相似度阈值，则将该当前顶点作为候选点。然后比较候选点的USAN值与几何阈值的大小，若USAN值小于几何阈值大小，则将该候选点作为感兴趣点返回。

步骤(6)：定义评估算子FPE、FNE和WME^[1]，根据算法缺失率、多余率、误差率对步骤(5)得到的感兴趣点进行评估。

步骤(2)所述的利用曲率算子计算每个顶点的曲率，其中曲率计算公式如下：

设三维曲线方程为：x＝x(t),y＝y(t),z＝z(t)；

1)分别求导，得到x′(t),y′(t),z′(t)；

2)分别求2阶导，得到x″(t),y″(t),z″(t)；

3)将三个一阶导合在一起看做一个三维矢量：

r′＝(x′(t),y′(t),z′(t))；

4)将三个二阶导合在一起看做一个三维矢量：

r″＝(x″(t),y″(t),z″(t))；

5)曲率计算公式为：

所述的步骤(3)中利用高斯公式对步骤(2)中顶点曲率进行高斯函数处理，得到σ区域内平均曲率的高斯加权平均，所述的高斯函数公式如下：

G是σ区域内平均曲率的高斯加权平均，是顶点的曲率值，x是σ区域内当前计算顶点v的邻居顶点。

步骤(4)中所述选取顶点集群是指以当前计算顶点为中心，选取距离最短的前36个邻居顶点作为与当前顶点对比的顶点。

三维模型顶点距离计算公式为：

(x₁,y₁,z₁),(x₂,y₂,z₂)分别是两个顶点的坐标。

所述步骤(5)的具体实现过程如下：

5-1.首先为了增加阈值自适应能力，需要动态计算每个中心顶点的所属顶点集群内曲率差相似度阈值。

其中，中心顶点是指顶点集群中当前计算的顶点；a表示曲率差的平均值。c(v₀)表示中心顶点曲率，c(v)表示顶点集群内其他邻居顶点曲率。

t表示曲率相似度阈值，a表示曲率差的平均值，c表示集群内顶点的曲率值，N表示集群点个数，这里取36。

若当前顶点与其邻居顶点的曲率绝对值差值小于曲率相似度阈值，则将当前顶点作为候选点。

5-2.计算每个候选点的USAN值：

t表示曲率相似度阈值，c(v₀)表示中心顶点曲率，c(v)表示顶点集群内其他邻居顶点曲率。d表示某候选点的USAN值，其初始值为0。

参考应用在二维图像焦点提取的SUSAN算子，一般在提取角点时几何阈值等于USAN区域的1/2，因此在3D-SUSAN算子中，我们同样选取USAN区域的1/2作为几何阈值：

g(v₀)表示v₀的几何阈值，d(v₀)表示表示v₀的USAN区域值。

若候选点的USAN值小于几何阈值，则认为该候选点为角点。

5-3.对得到的角点做非极大值抑制，最终得到感兴趣点。

步骤(6)所述的评估算法具体如下：评估算法具体分为两步：一是建立模型真实场景，二是使用建立的真实场景评估感兴趣点提取算法。

(1)建立模型真实场景兴趣点标识的评估标准，该部分引用了网站A Benchmark for 3D Interest Points Marked by Human Subjects^[2]的数据库，包括三维模型以及每个模型的人工提取感兴趣点坐标集。

(2)使用建立的真实场景评估兴趣点提取算法，利用FPE(false positive errors)、FNE(false negative errors)和WME(weighted miss error)对算法提取的兴趣点进行评估。

G_r＝(p∈M|d(g,p)≤r)

G_r表示模型真实场景兴趣点集，M表示算法提取模型的兴趣点，d表示顶点与顶点的距离，r表示半径的区域。

N_C表示算法提取的正确的点数量，N_G表示真实场景中总的兴趣点个数。

N_A表示算法提取的兴趣点个数，N_C表示算法提取得到的正确的点数量。

n_i表示n_i个志愿者标识了i点，g_i表示半径为r时的真实场景3D-SUSAN评估结果。

本发明的有益效果如下：

本发明提出一种基于3D-SUSAN角点算子的三维模型感兴趣点提取方法，该方法将用于二维图像特征点提取的SUSAN角点检测算子引入三维领域，提出了一种3D-SUSAN角点检测算子，并有效地提取三维模型的感兴趣点。

3D-SUSAN角点检测算子不仅可以提取三维模型兴趣点而且仍保留了SUSAN的抗噪能力强、计算量小效率高、性能稳定的优点。

附图说明

图1是本发明基于3D-SUSAN算法的三维模型兴趣点提取流程图。

图2是顶点集群图。

图3是非极大值抑制流程图。

图4是3D-SUSAN算法评估结果图。

图5是兴趣点标识。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于3D-SUSAN角点算子的三维模型感兴趣点提取方法，具体包括如下步骤：

步骤(1)：利用网格读取算法计算待提取三维模型的顶点位置坐标，并且利用网格简化算子将待提取三维模型顶点进行简化。

步骤(2)：利用曲率算子计算每个顶点的曲率。

步骤(3)：利用高斯函数对曲率值进行高斯处理，去除噪声，得到去噪后的曲率值。

步骤(4)：定义顶点集群，根据邻居顶点与当前顶点的距离，选取距离最短的前36个邻居顶点作为与当前顶点曲率值比较的顶点集群，附图2是顶点集群图。

步骤(5)：根据步骤(4)定义的顶点集群，若当前顶点与顶点集群内其他邻居顶点的曲率差值小于定义的相似度阈值，则将该当前顶点作为候选点。然后比较候选点的USAN值与几何阈值的大小，若USAN值小于几何阈值大小，则将该候选点作为感兴趣点返回。

步骤(6)：定义评估算子FPE、FNE和WME^[1]，根据算法缺失率、多余率、误差率对步骤(5)得到的感兴趣点进行评估。

步骤(2)所述的利用曲率算子计算每个顶点的曲率，其中曲率计算公式如下：

设三维曲线方程为：x＝x(t),y＝y(t),z＝z(t)；

6)分别求导，得到x′(t),y′(t),z′(t)；

7)分别求2阶导，得到x″(t),y″(t),z″(t)；

8)将三个一阶导合在一起看做一个三维矢量：

r′＝(x′(t),y′(t),z′(t))；

9)将三个二阶导合在一起看做一个三维矢量：

r″＝(x″(t),y″(t),z″(t))；

10)曲率计算公式为：

所述的步骤(3)中利用高斯公式对步骤(2)中顶点曲率进行高斯函数处理，得到σ区域内平均曲率的高斯加权平均，所述的高斯函数公式如下：

G是σ区域内平均曲率的高斯加权平均，是顶点的曲率值，x是σ区域内当前计算顶点v的邻居顶点。

步骤(4)中所述选取顶点集群是指以当前计算顶点为中心，选取距离最短的前36个邻居顶点作为与当前顶点对比的顶点。

三维模型顶点距离计算公式为：

(x₁,y₁,z₁),(x₂,y₂,z₂)分别是两个顶点的坐标。

所述步骤(5)的具体实现过程如下：

5-1.首先为了增加阈值自适应能力，需要动态计算每个中心顶点的所属顶点集群内曲率差相似度阈值。

其中，中心顶点是指顶点集群中当前计算的顶点；a表示曲率差的平均值。c(v₀)表示中心顶点曲率，c(v)表示顶点集群内其他邻居顶点曲率。

t表示曲率相似度阈值，a表示曲率差的平均值，c表示集群内顶点的曲率值，N表示集群点个数，这里取36。

若当前顶点与其邻居顶点的曲率绝对值差值小于曲率相似度阈值，则将当前顶点作为候选点。

5-2.计算每个候选点的USAN值：

t表示曲率相似度阈值，c(v₀)表示中心顶点曲率，c(v)表示顶点集群内其他邻居顶点曲率。d表示某候选点的USAN值，其初始值为0。

参考应用在二维图像焦点提取的SUSAN算子，一般在提取角点时几何阈值等于USAN区域的1/2，因此在3D-SUSAN算子中，我们同样选取USAN区域的1/2作为几何阈值：

g(v₀)表示v₀的几何阈值，d(v₀)表示表示v₀的USAN区域值。

若候选点的USAN值小于几何阈值，则认为该候选点为角点。

5-3.对得到的角点做非极大值抑制，最终得到感兴趣点，附图3是非极大值抑制流程图。

步骤(6)所述的评估算法具体如下：评估算法具体分为两步：一是建立模型真实场景，二是使用建立的真实场景评估感兴趣点提取算法。

(1)建立模型真实场景兴趣点标识的评估标准，该部分引用了网站A Benchmark for 3D Interest Points Marked by Human Subjects^[2]的数据库，包括三维模型以及每个模型的人工提取感兴趣点坐标集。

(2)使用建立的真实场景评估兴趣点提取算法，利用FPE(false positive errors)、FNE(false negative errors)和WME(weighted miss error)对算法提取的兴趣点进行评估。

G_r＝(p∈M|d(g,p)≤r)

G_r表示模型真实场景兴趣点集，M表示算法提取模型的兴趣点，d表示顶点与顶点的距离，r表示半径的区域。

N_C表示算法提取的正确的点数量，N_G表示真实场景中总的兴趣点个数。

N_A表示算法提取的兴趣点个数，N_C表示算法提取得到的正确的点数量。

n_i表示n_i个志愿者标识了i点，g_i表示半径为r时的真实场景3D-SUSAN评估结果见附图43D-SUSAN算法评估结果图。

FNE表示缺失率、FPE表示多余率、WME表示误差率，当它们降低速率越快，证明该算法提取兴趣点结果越好。

本发明针对算法提取三维模型兴趣点的结果，从错误率、缺失率、误差率进行评估，并与Meshsaliency提取的兴趣点作比较。从附图5中就可以看出，与Mesh saliency^[3]相比，3D-SUSAN提取的兴趣点明显比Mesh saliency提取的兴趣点少，而从附图5可以看出，3D-SUSAN的标识结果和人类标识的兴趣点差不多一样。由此可以得出该发明在减少算法提取三维模型兴趣点数量上有所提高。