一种基于神经网络的彩色三维模型的颜色分类方法

专利名称：：一种基于神经网络的彩色三维模型的颜色分类方法
技术领域：
：本发明属于计算机应用
技术领域：
，特别涉及的是一种基于神经网络对三维模型的颜色视觉特征进行分类的方法。
背景技术：
：近年来，随着计算机图形学的发展以及三维模型获取技术、图形硬件技术的提高，三维模型已成为继声音、图像和视频之后的第四种多媒体数据类型。如何迅速检索到所需的三维模型正成为多媒体信息检索领域中的又一个热门课题。基于内容的三维模型检索系统利用反映三维模型视觉特征的内容信息，如形状、空间关系、颜色及材质纹理等，自动计算并提取三维模型的特征，建立多维特征信息索引，然后在多维特征空间中匹配待査询模型与目标模型之间的相似程度，实现对三维模型数据库的浏览和检索。可见，良好的特征描述符对于检索性能具有至关重要的意义。目前，特征提取技术的研究仍主要集中在对三维模型几何形状的描述上。由于三维模型表面属性的多样性和复杂性，国内外针对彩色的三维模型，根据其所具有的颜色属性进行特征提取和匹配识别的分类方法还比较少，无法应对颜色属性所需要的分类需求。
发明内容发明目的本发明针对现有技术的不足，提供了一种基于神经网络对三维模型的颜色视觉特征进行分类的方法。技术方案本发明提供了一种基于神经网络的彩色三维模型的颜色分类方法，该方法包括以下步骤步骤1，通过三维扫描设备或虚拟建模软件获取针对实际物体的三维模型；步骤2，建立三维模型数据库，将上步中获取的三维模型文件存储到三维模型数据库中；步骤3，读取三维模型数据库中用于训练识别的模型数据集合，将读取的模型数据集合输入三维模型特征提取模块提取三维模型的颜色特征；步骤4，从模型特征数据库中，读取三维模型颜色方面的特征数据；步骤5，制定颜色特征的量化传感器；即具体根据所获取的颜色属性的数值范围制定分类量化规则。首先度量颜色属性数值的整体值域范围，然后根据实际分类需求将颜色数值等分或不等分地划分为要求的几个区间值域，通过分析每一类子区间中颜色属性的数值范围的阈值定义出每一个子区间的目标向量，在后续步骤中神经网络将需要根据该量化传感器定义出来的目标向量完成对颜色分类的判断。步骤6，得到代表三维物体颜色特征的三元组颜色特征向量；步骤7，建立神经网络分析模块，并调整网络参数；步骤8，通过神经网络进行颜色特征向量的决策运算；步骤9，根据神经网络的判别公式，神经网络输出对三维模型的颜色分类的识别结果。本发明中，所述三维模型为含有光照色彩信息的三维模型，其颜色属性包含外部光源的反射颜色、镜面反射的颜色、几何形体自身发射的光线颜色，通过采用三元组特征向量描述，将颜色属性分别在该RGB单位立方体空间的三个色彩维度上进行量化。本发明中，神经网络的输入向量为三维向量。本发明中，步骤3中三维模型的颜色识别规则为二值规则。本发明中，步骤7中网络参数包括权值矩阵W和偏差向量b。本发明中，步骤7中神经网络为单层感知器网络或者反馈型H叩field网络。本发明中，步骤5中所述颜色特征的量化传感器根据所获取的颜色属性的数值范围制定分类量化规则。有益效果现在Maya、3DMAX、Cult3D等越来越多的建模软件都提供全面的三维物体的视觉建模功能，互联网上的实物模型更加富于真实感导致特征信息量巨大；同时在三维模型越来越广泛应用的工业设计、游戏教育、影视动画、机械制造、医药研究、军事仿真等领域，海量数据的产生也使得模型识别不可能仅由人工完成。因此，利用神经网络来协助分类检索含有一定色彩信息的三维模型，是加快三维模型检索速度，使得复杂多样的特征量分析更为有效的一种方式。本发明的基于神经网络的三维模型的颜色识别而后分类的方法对真实感三维模型的颜色识别具有较好的容错性，能够识别带有噪声或变形的输入模式，具有很强的自适应学习能力。专利方法中采用的特定的人工神经网络(比如，Perceptron网络、Hopfield网络)均能有效而正确地进行三维物体的色彩识别。其中，单层感知器网络结构和算法比较简单，训练时间较短，但识别效果较Hopfield网络弱；而Hopfield网络具有联想记忆的自行学习能力，且容错性更好。在细节技术方面，本发明的颜色视觉特征分类方法中，制定视觉特征的量化传感器的技术使用三元组向量具有很好的灵活性；便于用户根据实际需求实现扩展，使传感器能够增加更为复杂的规则库或采用推理概念量化原始特征值，从而使得制定的目标向量的维数能够扩展到更高维度形成特征矩阵，这样就为三维模型的模式识别提供了将纹理色彩、材质颜色等更多视觉特征有机结合起来的便利。同时，神经网络分析模块的调整网络参数的方式又可以使决策过程进一步优化；神经网络判别公式的制定也具有灵活性，能够根据实际需求扩展，使得在有噪声干扰或输入信号部分特征损失的情况下，具有一定容错性的神经网络仍可正确完成模式分类。因此，从整体上说，利用本发明的基于神经网络的技术来完成彩色三维模型的模式识别，不仅可以根据更多的样本学习改善分类能力，而且不需对物体的识别进行一些统计上的假设，放松了传统方法所需的约束条件，降低了人为主观因素的影响。本发明技术上的可扩展性，又同时为更多各自独立的底层视觉特征的融合识别提供了途径，使得更多基本视觉特征能够被联合分析，从而促进推导出高层语义特征的可能性，为三维真实感模型的提高分类精度的检索提供了一定帮助。下面结合附图和具体实施方式对本发明做更进一步的具体说明。图1本发明整体框架流程图彩色三维模型颜色分类方法的流程图。图2本发明构建颜色属性的三元组特征量化空间的示意图。图3本发明针对VRML模型设计的颜色分类^l的模块示意图。图4本发明实施实例中采用的简化后的Hopfield神经网络的结构图。图5a表示初始时由实际建模设备获得的未分类的三维模型集合。图5b表示经过本发明所述方法完成颜色识别后的三维模型分类结果集合。具体实施例方式如图1所示，本发明公开一种基于神经网络的彩色三维模型的颜色分类方法，该方法包括以下步骤步骤l，通过三维扫描设备或虚拟建模软件获取针对实际物体的三维模型；步骤2，建立三维模型数据库，将上步中获取的三维模型文件存储到三维模型数据库中；步骤3，读取三维模型数据库中用于训练识别的模型数据集合，将读取的模型数据集合输入三维模型特征提取模块提取三维模型的颜色特征；步骤4，从模型特征数据库中，读取三维模型颜色方面的特征数据；步骤5，制定颜色特征的量化传感器；也就是具体根据所获取的颜色属性的数值范围制定分类量化规则。首先度量颜色属性数值的整体值域范围，^^.后根据实际分类需求将颜色数值等分或不等分地划分为要求的几个区间值域。比如需要将彩色模型分为三类，就等分设置三个主要颜色区间形成子区间，通过分析每一类子区间中颜色属性的数值范围的阈值定义出每一个子区间的代表向量。代表向量也就是由该种量化规则制定出来的颜色目标向量，在后续步骤中神经网络将需要利用该量化传感器定义出来的目标向量完成对颜色分类的判断，也就是需要将神经网络具体输出的结果向量与各个颜色区间的目标向量作比较，如果相等，就判定模型色彩属于该种颜色类型。步骤6，得到代表三维物体颜色特征的三元组颜色特征向量；步骤7，建立神经网络分析模块，并调整网络参数权值矩阵W和偏差向量b。本发明采用到的神经网络均是常见的成熟的神经网络，主要例如感知器网络(单层Perceptron网络)、反馈型网络(Hopfield网络)。其构造手段采用流行通用的Matlab软件工具即可实现，在Matlab环境中直接调用其所提供的神经网络工具箱内的神经网络建立函数，通过调整函数的参数即可建立各种常见的神经网络模块。步骤8，通过神经网络进行颜色特征向量的决策运算。神经网络的决策运算过5程根据具体所采用的神经网络而各自不同，但从总体上来说，决策过程的目的都是最终运算出目标向量，这些目标向量唯一而独立地代表各种需要被区分的物体特征。例如在本实施例中决策过程就是运算出用于三维模型的颜色特征识别的目标向量，具体来说，神经网络读入某一个三维物体实际的颜色特征向量，运算操作该向量中的元素；对于不同的神经网络构造，会有不同的操作规则，例如，本发明中采用到的单层Perceptron网络其决策运算就是对单个元素变量的线性划分过程，Hopfield网络是对多个元素变量的迭代判断过程。步骤9，根据神经网络的判别公式，神经网络输出对三维模型的颜色分类的识别结果。神经网络对读入的该实际的颜色特征向量完成步骤8中的运算操作后，就依据步骤6中已经定义的三元组颜色特征的目标向量，将得到的输出结果与目标向量相比较，如果相等就判定该结果属于这种目标向量，也就决策出物体的实际颜色属于该目标向量所代表的颜色类别。本发明旨在基于神经网络对三元组颜色视觉特征进行学习并识别，从而实现对三维物体根据颜色特征的分类。本发明的分类方法的核心是对三维模型的颜色方面的视觉特征进行了描述，提出基于颜色特征的识别步骤，主要是设计了一种三元组视觉特征向量用于描述三维模型的常见颜色属性，并通过建立特定的神经网络(如Perceptron感知器网络、Hopfield反馈网络)实现对颜色方面的视觉特征进行识别分类。同时，本发明中具体设计了一个基于Hopfield网络的颜色分类器的实施事例，用于说明对一系列彩色玩具积木的三维模型根据其材质颜色进行色彩务类的实施方法。"''如图1所示，本发明所述的一种基于神经网络的彩色三维模型的颜^^分类方法，具体包括以下步骤(一)通过三维扫描设备或虚拟建模软件，获取针对实际物体的三维模型。(二)在计算机中，采用常用的数据库软件建立三维模型数据库。将步骤(一)获取到的三维模型文件存储到三维模型数据库中。如果步骤(一)所获取的模型是涉及各种物体类别的(比如，自然物体建模模型)，则形成通用三维模型库；如果步骤(一)所获取的模型仅涉及某一种类的物体(比如，生物分子模型、CAD零件模型)，则形成专业领域三维模型库。本发明指出，由于后续步骤分析所需，则要针对的模型是必须包含颜色类信息的真实感彩色三维模型。(三)从步骤(二)建立的通用或专业领域三维模型数据库中读取用于训练识别系统的模型数据集合，将读取的模型集合输入三维模型特征提取模块进行处理。特征提取模块采用一些典型的特征提取算法对三维模型进行诸如形状、拓扑、颜色、纹理、材质等的特征分析，是为了提取出模型在这些方面的特征向量数据。对于机器而言(如照相机、摄像头、扫描仪等视频输入设备)，彩色系统常以RGB颜色模型为标准模型，通过每个像素的红(R)、绿(G)、蓝(B)感光器件的感光量产生24位色彩空间，色彩特征C描述为C=R+G+B。而对于获取到的三维模型的色彩特征，通常可以进行例如颜色直方图分析，颜色分布信息的低阶颜色矩分析等普通的颜色特征提取分析。比如，常规的计算颜色直方图的方法就是将颜色空间划分成若干个小的颜色区间，每个区间成为直方图的一个柄，这个过程称为颜色量化；然后，通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。在RGB颜色空间中，颜色直方图可以看成是一个一维的离散函数。特征提取算法对模型完成分析后，所计算出的模型颜色特征向量将被存储在模型颜色特征数据库中。(四)从步骤(三)建立的模型特征数据库中，读取颜色方面的特征数据。因为三维模型经过特征提取模块的处理所生成的特征向量往往是包含了几何形状、颜色、纹理、材质等多方面的视觉特征数据，即使某一类视觉特征数据中也涉及多方面的描述，比如相关颜色的属性就有原始的RGB值、透明度变量Alpha、由于在实际应用中可能还有复杂的光照效果，模型的基本色彩还会受环境光、漫反射、镜面反射、发射光等影响，光照作用模型后产生的真实感色彩计算方法一般为模型表面颜色=材质发散颜色+衰减因子X聚光灯效应(环境光+漫反射光+镜面反射)。本发明中为简化起见仅说明选取三维模型中描述其自身属性的原始的RGB颜色数值时的情况，这些特征数据将通过下面步骤中量化传感器的分析构建在颜色方面的三元组视觉特征。(五)制定颜色特征的量化传感器。特征量化传感器是一套人工设定的量化规则，即由用户根据所获取的颜色属性的数值范围制定分类量化规则。首先度量颜色属性数值的整体值域范围，然后根据实际分类需求将颜色数值等分或不等分地划分为要求的几个区间值域。例如针对获取了的RGB属性数值的三维模型来说，要构建其在颜色方面的三元组向量就需要考虑R、G、B三个方面的颜色属性的数值范围。因此将彩色模型的色彩区间划分为三个主要颜色的子区间，对形成的区间量化分析属性的数值范围，根据每一类子区间中颜色属性的数值取值大小的上限和下限数值范围定义出每一个子区间上具有代表性的目标向量，对于RGB颜色模型所描述的物体可以参考RGB颜色立方体空间的描述规则，以下将结合图2详述。由该种量化规则制定出来的颜色目标向量，在后续步骤中将提供给神经网络用于完成颜色识别的判断，也就是神经网络需要将网络输出的结果向量与各个颜色区间的目标向量作比较，如果相等就判定模型色彩属于该种颜色类型。因此，量化传感器的作用就是根据从硬件设备得到的三维模型的颜色特征参数，通过特征值域范围的统计分析制定合适的规则，用以定量分析三维模型的颜色特征，使之后的神经网络实现颜色定性区分的目的。特征量化传感器的原理源于人脑通常分辨一个物体最先是从其外观进行判断的机理。人脑在识别某个具体物体的过程中，不仅会基于外部形状特征区别出物体意义上的不同，而且很多时候会从颜色、纹理材质等特征的分析完成对物体的细节区分。当物体外型相似时，基于色彩的视觉特征的重要性显而易见。其中，RGB颜色模型(红、绿、蓝三原色颜色模型)是三维建模场景中模型色彩的最常见表示方式。由RGB三基色可构成一类颜色空间且可描述为一个由RGB直角坐标系构成的XYZ立方体空间，红(R)、绿(G)、蓝(B)分别对应三个坐标轴，坐标原点表示黑色，离原点最远的对角表示白色。因此，本发明中基于该量化空间的描述为三维模型的颜色属性设计一种三元组向量，以表达模型在色彩方面的视觉特征量，用以分辨各种模型的色彩。对于一个具体的含有光照色彩信息的三维模型，其涉及的颜色属性一般包含有外部光源的反射颜色(Diffiisecolor)、镜面反射的颜色(Specularcolor)、几何形体自身发射的光线颜色(Emissivecolor)等。通过采用三元组特征向量描述，这些颜色属性分别可在该RGB单位立方体空间的三个色彩维度上进行量化。在一个实际的特征量化过程中，特征被分成两层或多层的量化级别，选择的特征参数针对物体属性的重要程度进行取舍，量化规则的复杂程度根据检索时需要的精度来确定。.在本发明中的三维模型的色彩识别实例就是应用了最简洁的二值规则例如，对物体的颜色光照的明暗、颜色的黑白进行两类区分时，根据RGB立方体颜色空间，取平均值做为中间量，即向量RGB^0.50.50.5]的颜色代表中间灰色，目标向量[lll]代表白色，目标向量[OOO]代表黑色；如果按照明暗完成分类，那么以为中间向量可以将模型粗略分为两类。因此如果三维模型需要更加细化的按照红、绿、蓝三类色彩来区分，则量化传感器需要定义相应的满足红、绿、蓝颜色量对应的三元组色彩特征目标向量用于判断三维模型的颜色分类。由图2可以看到，本发明中采用的颜色属性的特征量化表达空间是一个由XYZ坐标系描述的三元组特征输入空间。由于在本步骤中采用二值量化规则，因而此处的XYZ坐标的取值范围是特定的值域[O，l]，0和1分别代表模型的极端特征，中间取值则代表模型对极端特征的靠近程度。本发明中采用二值规则的量化方式非常简洁、易于计算，使得后续步骤中的常用神经网络学习决策过程变得简单快速。(六)经过步骤(五)中的特征量化处理，本步骤中将得到唯一明确地代表三维物体某一类颜色特征的三元组特征目标向量。传感器量化后的三元组特征向量(采用一个三维数组表达)被输入神经网络用于识别三维物体。作为神经网络的输入向量将该向量设计为如下示例形式假设由图2所示，在特征输入空间看到的处于不同位置的红色圆点、绿色星点、蓝色方点，代表即将要分类的三维模型所属的A、B、C三种类型的代表模型。定义物体A(红色圆点)在输入空间的特征向量为Pi，物体B(绿色星点)的特征向量为P2，物体C(蓝色方点)的特征向量为P3。8由于经过特征提取模块，原始的三元组特征向量表达为<formula>formulaseeoriginaldocumentpage9</formula>因此，经过二值规则的量化处理，定义三维模型在上述三个维度上的颜色特征的目标向量为:<formula>formulaseeoriginaldocumentpage9</formula>所以，在后续步骤中采用神经网络完成颜色识别过程，也就是将需要分辨的三维物体的颜色属性输入神经网络，并将输出的特征向量与上述定义的三个P!、P2、P3目标向量进行比较，才能得出三维模型的颜色属于A、B、C其中一种类型的分类结果。代表三维模型的颜色特征向量在输入神经网络后，需要完成的网络学习过程在下述的步骤(七)和(八)中具体描述。(七)本发明使用的神经网络分析量化步骤(六)产生的三元组颜色特征向量，实现对三维模型的颜色识别。具体而言，本步骤包含以下的分步骤(a)在Matlab环境中建立特定的神经网络。例如一些常见的成熟的神经网络构造，本发明采用到的有单层感知器网络(Perceptron网络)、具有联想记忆自行学习能力的反馈型网络(H叩field网络)。(b)根据三维模型需要进行识别的分类程度选择神经网络的类型，并确定该神经网络的传递函数。(i)例如，本发明对于采用单层感知器(Perceptron)网络在判断两类模型将输入空间划分成两部分时，其传递函数可定义为一个严格限制阈值范围[-l，l]的对称型函数hardlims()，即a=hardlims(Wp+b)。如果加权矩阵W和输入向量p的内积Wp大于或等于-b，则输出为l;如果内积小于-b，则输出为-1。(ii)对于反馈型Hopfield网络在判断更多类模型的分类过程中，本发明采用a(0)=p，a(t+l)=satlin(Wa(t)+b)的一组迭代公式描述传递函数，进行运作处理。式中传递函数satlin定义为一个限制阈值范围[O，l]的非对称饱和线性传递函数；即该函数在[O，l]范围内线性变化，且当输入大于l时，上限约束为l;当值小于0时，下限约束为0。(八)上述神经网络建立完成后，网络对三维模型的三元组颜色特征向量进行识别的决策过程如下，具体而言，本步骤包含以下的分步骤(a)本发明设计的特征空间中的特征均为三元组，因此神经网络的输入向量是三维的(R=3)。将三维模型的三元组颜色特征向量输入步骤(七)(b)建立的神经网络后，将由神经网络中的神经元进行决策计算。(b)根据特定神经网络的判别公式完成决策边界的判断，得到分类结果。例如，如下(i)中所推述的单层感知器网络的判别公式Wp+b二0就代表了决策边界，用于识别可线性分离的物体模式，表明单个神经元感知器的主要特性在于能够将输入向量分离为两类。调整网络中的相应参数(权值矩阵w、偏差向量b)，决策边界将会发生变化，因此将得到或快或慢的分析过程；例如，如下(ii)中所描述的Hopfield网络，参数的变化将使得其迭代过程的快慢发生改变，具体关联性根据参数数值大小而定；比如本实施例中参数值越大迭代速度将变快，迭代层数减少，精准度会下降；参数值越小迭代速度将减慢，迭代层数增多，但精准度会增加。神经网络运行完成之后将输出分类结果。(i)本发明针对当单层感知器(Perception)网络用于分辨两类物体时，分类决策过程是一个线性划分的过程，决策边界通过原点，加权矩阵正交于决策边界，因此可设计加权矩阵W呵010]，偏差向量b二0。运用公式Wp+b二0描述决策边界完成判别，判别公式展开的写法如下式所示<formula>formulaseeoriginaldocumentpage10</formula>(ii)本发明针对反馈型Hopfield网络，则矩阵中参数的选择根据模型分类的需要而确定，加权矩阵W和偏差向量b的设计采用正交化的权值设计方法。H叩field网络的运作处理用公式Wp+b形式描述迭代过程完成判别，展开为具体的写法，如下两个式子所示<formula>formulaseeoriginaldocumentpage10</formula>决策分类过程源于神经网络状态的迭代演变过程。本发明中基于Hopfield网络的模式分类器正确的迭代演变过程具体描述为当输入的向量X作为一个初值时，网络通过反馈演化，从网络输出端得到一个向量Y,Y是从初值X演化而联想到的一个稳定记忆。而后使记忆模式的样本对应于网络的稳定点，即输入多个代表不同类型的向量Xi，得到相对应的多个不同的目标向量Yi，这相当于神经网络的训练过程。可以根据实际分类需求训练记忆模式(Xi到对应Yi的映射过程)，使得训练出的记忆模式与三维模型的特征分类标准分级对应。而后将新的待分类的数据向量(即待识别模型的颜色视觉特征向量)作为初态输入神经网络，网络参考己知的记忆模式样本进行联想回忆，即由新给的初态X'回忆出某种原先已知的Y的功能。具体而言，网络把初态X'看作一种新的提示模式(即发生某些变形和含有噪声的记忆模式)，从而通过已知的记忆模式完成迭代演化，使得初态X'收敛到离自身"最接近"(与初态向量的形式和数值相差最小甚至相差为零)的已知向量X所对应的目标向量Y之处，这样就将新的X'演化成了某一种已知的目标向量Y。因此，反馈型Hopfield网络分类识别出三维物体的模式分类过程就是由记忆和联想回忆两个相辅相成的子过程组成的。该神经网络输出步骤(六)中预先定义的目标向量Pi、P2、P3中的一个，用来判定输入的三维模型所属的类别(A、B、C之一)情况。(九)、所有步骤结束。视觉特征的识别完成后，通过分析决策结果能够评价所采用的神经网络模拟人脑的处理能力，也就是根据人眼视觉感知的色彩分辨能力，用户可以对三维模型识别系统的分类结果做出主观的评价。决策较好代表模型的分类输出结果符合人脑感知的分类结果，表明选择的神经网络形式较好，量化传感器制定的量化规则合理，所提取的特征是三维物体本身所含有的更有代表性的视觉特征。因此，为了提高神经网络决策能力还可以采用比二值规则复杂的多值量化规则，以实现三维模型的更多方面的分类识别需求。此处详细例举本发明设计的一个基于H叩field网络的VRML三维模型颜色分类器的实施方式。由于VRML模型中的外部光源的反射颜色(DifiUsecolor)、镜面反射的颜色(Specularcolor)、几何形体自身发射的光线颜色(Emissivecolor)是物体真实感表达的典型颜色信息，因此本发明首先针对材质颜色的反射属性(Diffiasecolor)判断RGB三原色的含量，进而分辨模型材质颜色方面的红、绿、蓝色彩倾向。下面结合附图对本发明实例进行详细说明。如图1所示，是对彩色三维模型进行识别的整体流程。(1)图l中的步骤l是初始动作，获取具体的玩具积木的实物产品。本实施事例获取了一系列基本几何造型的彩色玩具积木模型，可见图5a所示。(2)使用三维扫描设备将这些积木模型扫描入计算机中，并使用虚拟现实建模工具描述这些积木的形状、颜色、材质等属性，生成VRML模型文件(VirtualRML即虚拟建模语言，遵照该建模标准描述的模型文件一般是后缀名为.wrl、.x3d的文件，该标准广泛应用于现今的互联网和工业仿真领域)，并存储于计算机中。(3)采用常用数据库软件(例如，MySQL数据库软件)为步骤(2)存储的VRML模型造型文件建立积木玩具的三维模型数据库。(4)从玩具积木三维模型数据库中逐一读取每个模型对应的VRML造型文件，将造型文件输入特征提取模块，采用特征提取算法获得积木模型的特征数据。此实施事例中主要是获取造型文件中的Material节点描述的颜色域(Color)中的颜色属性值，即提取材质色彩(Diffiisecolor)的RGB数值，并将该数值存储到材质颜色特征向量中。当所有积木模型提取结束后，形成材质颜色的特征数据库。(5)三维积木模型的颜色分类器的包含模块如图3设计，该模块组成图结合整体的识别流程图具体将颜色分类器实现材质颜色分类的步骤实施如下(6)将步骤G)中存储的积木模型的材质颜色特征数据输入量化传感器，用以定义出颜色分类模型的三元组特征目标向量。具体实现是采用Diffi!seColor字段中的RGB颜色特征向量对模型进行分类，需要定义三个目标向量Red类(P,)、Green类(P2)、Blue类(P3)形成颜色特征空间，分类同时要考虑RGB各个分量占的色彩比重以归类模型的颜色偏向。根据二值量化规则定义积木模型的材质颜色的三元组特征向量的目标向量为<table>tableseeoriginaldocumentpage12</column></row><table>(7)在Matlab环境中建立反馈型H叩field神经网络的分析模块。步骤(6)中定义的目标向量是神经网络判别积木模型颜色类别的指标。本发明采用由标准Hopfield网络变体后简化构造的Hopfield网络结构，其网络构造如图4所示，其中w为加权矩阵，b为偏差向量，为内积运算，[Zl为传递函数，r^i为网络延迟。由于分类方法的关键过程是将积木模型的颜色向量输入Hopfield网络进行分析，当神经网络最终收敛到步骤(2)中定义的三个目标向量之中的某一个向量的时候，就表明神经网络的状态达到稳定，判定输出的结果向量与这个目标向量一致，此时输出该目标向量就完成了颜色分类。因为无论对于模式P卜P2、P3都要求调整Hopfield网络中加权矩阵和偏差向量的参数使输出结果最终正确快速地趋于收敛。因此根据前向反馈层的加权值是原型模式来设置网络的(W，b)参数组合，对satlin()传递函数具体代入权值矩阵和偏差值参数<table>tableseeoriginaldocumentpage12</column></row><table>(8)Hopfield神经网络对颜色属性进行分类的迭代决策过程。由于分别输入总共30个需要分类的彩色玩具积木三维模型的材质颜色(DiffiiseColor)中的RGB颜色特征向量给神经网络分析，因此，经过Hopfield网络的传递函数不断向稳定状态迭代，就使得RGB元素值在一定时间和范围内到达规定的上限/下限阈值。根据传递函数satlin()的值域性质，所有元素的阈值范围在本实施例中设定在[O，l]范围内，也就说对一个具体的代表模型色彩的RGB颜色特征向量，向量中的每一个元素的数值上限约束为l，下限约束为0，元素值大于l则下降为l，值小于O则上升为O,值在O-l之间则与两个边界相比较并选择接近的那个数值，若恰巧在中间则随机选择。同时，实际的颜色向量的三个元素最终收敛的形式也被限制在步骤(6)所定义的三种目标向量的形式范围内，即只能输出Pi、P2、P3三种形式的向量，这样才能够确定识别模型色彩属于红(A)、绿(B)、蓝(C)之中的哪一类。Hopfield网络中的神经元通过输入向量初始化，然后网络反复迭代，直到输出向量收敛停止迭代。当神经网络正确操作的时候，作为一个复杂的非线性动力系统，系统的稳定性采用能量函数E(Liapunov函数)判断。在满足一定条件下，网络的能量不断减小，最后收敛于系统的稳定点。即P,、P2、P3向量中的可用于判断的那一维颜色的元素数值将不断增加直至达到上限阈值l;否则元素数值将不断下降直至到达下限阈值0;元素数值稳定不再变化时，表明网络收敛，停止迭代运算。具体以mj模型为例，mj号积木模型的材质颜色为,其颜色特征向量在Hopfield网络中被识别的收敛过程如下W=[1.200;01.20;001.2];b=;RGB=;(mj号模型原色彩)p=[-0.53;0.54;隱0.41];a(O)=[-0.53;0.54;-0.41];(初始状态)a(l)=satlin(W*a(0)+b)a(2)=satlin(W*a(l)+b)a(3)=satlin(W*a(2)+b)a(4)=satlin(W*a(3)+b)a(l)=;a(2)=;a(3)=;a(4)=;(稳定状态)可见，m—l号积木模型被识别为属于绿色类的模型，从图5b看出是符合人眼感知的正确的分类结果(为了便于识别，附图相应色彩下加上了文字)。(9)基于Hopfield神经网络逐一运算三维积木模型的材质颜色属性，最终得到每一个彩色积木模型的颜色识别结果，完成色彩分类后流程结束。根据反馈型H叩fidd网络的记忆与联想功能，步骤(8)中描述的祌经网络迭代演变过程结束后，即得到彩色模型的分类结果。如图5a和图5b中来自虚拟现实工具为30个彩色积木玩具建模的三维模型所示，左边的排列是这些积木玩具原来的未经颜色识别的随意排列次序，对其标注了m—1至m—30的标号，为便于和识别后的分类结果对比，图中粗略地对这些模型标注了根据人眼感知的色彩属性。而图5a和图5b中右边的模型次序是通过神经网络对这些积木玩具完成了材质颜色识别后的红、绿、蓝颜色偏向的排序。可以看到颜色识别效果与人眼的视觉感知是较类似的，色彩分类的结果是比较明显且较为正确的。归结上面的说明内容，本专利在三维模型的视觉特征(主要针对颜色属性)的识别分类方面是有一定用途的。因为在三维模型检索的实际应用中真实感虚拟三维模型所含的特征量更为复杂多样，所以利用神经网络来协助分类具有色彩信息的三维模型是一条有效的思路；因此用户就可以通过本发明所述的整套方法采用三维扫描设备、虚拟造型软件、神经网络识别系统的联合运用实现对更多领域中三维模型基于颜色识别的分类，比如，农产品检测中的水果成品挑拣，工业勘13探中的矿产鉴定，道路交通中的背景物体识别等等，这在实际的商品实物检索中将是有一定功用的。本发明提供了一种基于神经网络的彩色三维模型的颜色分类方法的思路，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本实用新型的保护范围。本实施例中未明确的各组成部份均可用现有技术加以实现。权利要求1、一种基于神经网络的彩色三维模型的颜色分类方法，其特征在于，该方法包括以下步骤(1)通过三维扫描设备或虚拟建模软件获取针对实际物体的三维模型；(2)建立三维模型数据库，将上步中获取的三维模型文件存储到三维模型数据库中；(3)读取三维模型数据库中用于训练识别的模型数据集合，将读取的模型数据集合输入三维模型特征提取模块提取三维模型的颜色特征；(4)从模型特征数据库中，读取三维模型颜色方面的特征数据；(5)制定颜色特征的量化传感器；(6)得到代表三维物体颜色特征的三元组颜色特征向量；(7)建立神经网络分析模块，并调整网络参数；(8)通过神经网络进行颜色特征向量的决策运算；(9)根据神经网络的判别公式，神经网络输出对三维模型的颜色分类的识别结果。2、根据权利要求1所述的一种基于神经网络的彩色三维模型的颜色分类方法，其特征在于，所述三维模型为含有光照色彩信息的三维模型，其颜色属性包含外部光源的反射颜色、镜面反射的颜色、几何形体自身发射的光线颜色，通过采用三元组特征向量描述，将颜色属性分别在该RGB单位立方体空间的三个色彩维度上进行量化。3、根据权利要求2所述的一种基于神经网络的彩色三维模型的颜色分类方法，其特征在于，神经网络的输入向量为三维向量。4、根据权利要求1所述的一种基于神经网络的彩色三维模型的颜色分类方法，其特征在于，步骤(3)中三维模型的颜色识别规则为二值规则。5、根据权利要求1所述的一种基于神经网络的彩色三维模型的颜色分类方法，其特征在于，步骤(7)中网络参数包括权值矩阵W和偏差向量b。6、根据权利要求1所述的一种基于神经网络的彩色三维模型的颜色分类方法，其特征在于，步骤(7)中神经网络为单层感知器网络或者反馈型Hopfield网络。7、根据权利要求1所述的一种基于神经网络的彩色三维模型的颜色分类方法，其特征在于，步骤(5)中所述颜色特征的量化传感器根据所获取的颜色属性的数值范围制定分类量化规则。全文摘要本发明提供了一种基于神经网络的彩色三维模型的颜色分类方法，通过三维扫描设备或虚拟建模软件获取针对实际物体的三维模型；建立三维模型数据库，将上步中获取的三维模型文件存储到三维模型数据库中；读取三维模型数据库中用于训练识别的模型数据集合，将读取的模型数据集合输入三维模型特征提取模块提取三维模型的颜色特征；从模型特征数据库中，读取颜色方面的特征数据；制定颜色特征的量化传感器；得到代表三维物体颜色特征的三元组颜色特征向量；建立神经网络分析模块，并调整网络参数；通过神经网络进行颜色特征向量的决策运算；根据神经网络的判别公式，输出识别结果。本发明能够有效对物体不同类别的颜色进行分类。文档编号G06F17/30GK101436302SQ20081024361公开日2009年5月20日申请日期2008年12月10日优先权日2008年12月10日发明者杨育彬,伟韦申请人:南京大学