基于二维典型视图的三维CAD模型检索算法.pdf

《基于二维典型视图的三维CAD模型检索算法.pdf》由会员分享，可在线阅读，更多相关《基于二维典型视图的三维CAD模型检索算法.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、基于二维典型视图的三维C A D 模型检索算法3 DC A Dm o d e I 阳t r i 州a lu s i n g2 Dc h a 憎c t e n s t j cv i e w s石民，张树生，李亮，白晓亮S H IM i n。Z H A N GS h u-s h e n g，L IL i a n g，B A lX i a O a n g(西北工业大学现代设计与集成制造技术教育部重点实验室，西安7 1 0 0 7 2)。摘要：为了更好地实现对三维c A D 模型的重用，提出了一种基于二维典型视图的三维c A D 模型检索算法，通过比较模型对应的二维典型视图来计算模型间的相似程度。首先

2、获取模型沿固定视角的二维投影视图集；然后采用A p r i o r I 算法甄选出其中的典型视图；最后通过比较模型所对应的典型视图获得模型间的相似性评价，实现模型的相似性检索。实验结果证明本文算法的检索性能令人满意。关键词：基于视觉相似的三维模型检索；A p r I o r i 算法中图分类号：T H l6 4文献标识码：A文章编号，1 0 0 9 0 13 4(2 0 1 2)0 5(上)一0 0 8 2 0 4D o i：1 0 3 9 6 9 j 1 s s n 1 0 0 9 0 13 4 2 0 12 5(上)2 5O 引言在目前的机械设计制造领域，基于三维模型的产品设计与制造已经成

3、为当前的主流模式，被广泛应用在产品开发的各个环节(C A D、C A E、C A P P、C A M 等)。统计数据表明，在新产品的研发过程中有超过7 5 的设计活动都是对已有的设计进行重用或微小修改1。基于内容的三维C A D 模型检索技术能够帮助企业对已有的产品设计成果进行管理和重用，进而提高设计效率，缩短研发周期，并最终有效地提升企业的核心竞争力。对于基于内容的三维模型C A D 检索技术，它的关键问题之一是如何有效描述C A D 模型的形状特征，其对于检索结果的精度和准度有着直接影响僻l。目前，基于视觉相似的三维模型检索算法被认为是检索效果最好的一类算法口4 J，该类算法仿效了人类视觉

4、对物体的认知过程，将三维模型表示为所对应的二维投影视图的集合。这样一来，两个三维模型之间的比较就转化为各自投影集合中所对应的二维投影视图之间的比较。如果所对应的二维投影视图都相似，则认为这两个模型相似。该类算法中最著名的为C h e n 等提出的光场算法D 1。然而，在使用投影视图对三维模型进行相似性匹配时，光场算法只是笼统地对视图集中的每一幅视图都同等看待，却忽视了不同视图在匹配过程中其实具有不同的重要性。相较于其它视图，模型的某些投影视图包含更多的信息，因而更能影响模型间的相似性匹配。从图l 可以很明显地看出，螺丝刀的主视图相较于它的俯视图含有更多的信息，对于模型来说更具有代表性。因此，区

5、别对待每个视图在模型相似性匹配过程中的重要程度是十分必要的。L i 嗍等提出了一种基于二维投影视图最优权重的三维模型检索算法。该算法通过使用拉格朗日乘数子和支持向量机为视图配置权重，以达到区分不同视图重要性的目的。本文提出一种基于二维典型视图的三维C A D模型检索算法，该算法通过从C A D 模型二维投影视图集中甄选出其中具有代表性(即信息含量高)的视图，将三维模型间的比较转化为各自典型视图间的相似性匹配。首先对一个三维C A D 模型沿固定视角进行投影，获得相应的二维投影视图集；然后采用A p r i o r i 算法从中挖掘出具有代表性的视图作为该模型的典型视图：最后通过比较模型各自对应

6、的典型视图来获得三维模型问的相似性评价。1 投影视图的获取和其他基于视觉相似的检索算法一样，在本文中，对三维模型的投影视角来自于平均分布在该模型球形包围盒工的顶点，为了能够获得足够多收穑日囊：2 0 1 l l O 一0 9基金项目：国家自然科学基金(5 1 1 7 5 4 3 4)作者简介：石民(1 9 7 0 一)，男，北京人，博士研究生，研究方向为制造业信息化、模型检索。【8 2 l 第3 4 卷第5 期2 0 1 2 1 5(上)万方数据伊ra)(h，螺丝刀的模型主视图图1 螺丝刀模型俯视图投影数量的投影视图作为典型视图的候选样本，同时又不会造成过大的计算负担，本文选用正八十面体的4

7、2 个顶点作为投影视角。这样一来，一个三维模型将被表示为二维投影视图集合，=，4 2 。对于一幅投影视图i，使用二维极半径傅立叶变换，二维z e m i k e 矩巴二维l(r a w t c h o u k 矩”描述它的特征D，=t D 口，D&。，D x J式中：口是由分别来自于二维基半径傅立叶变化、二维Z e m i k e 矩，二维K 叭c h o u k 矩的特征向量D。D。和D。串联组成的投影视图特征描述子。围2 三维c A D 模型的投影规则2 典型视图的甄选获得二维投影视图集合之后，接下来将甄选其中的典型视图。在本文中，典型视图被定义为在一个投影视图集合中与其他若干视图相似，可

8、以代表这些视图的一类视图。对于一幅视图，若集合中与其相似的视图越多，则认为该视图越具有典型性。例如，球体的正投影视图可以用来代表其他所有的视图。由于在内容中体现了与其相似的若干视图的共同特点，因此典型视图相较其它视图含有更高的信息量。本文将通过A p r i o r i 算法挖掘出二维投影视图集中的典型视图，将三维模型进一步表示为由典型视图所组成的二维典型视图集合。2 1A p n o n 算法A p r i o r i 算法作为关联规则的挖掘技术已经在计算机信息与数据挖掘领域得到了广泛应用”1。下面介绍关于它的一些基本概念：事务：事务是数据集7 E 村=扭聊一陀晰：，“，j 饽m。j的一个子

9、集，不同事务的全体构成了事务数据库D A T A。关联规则：关联规则指如果项集x 在某一事物中出现，则必然会导致项目集Y 在同一事务中出现的一种规则，即x j y，其中z c 仃肼，Y C E M，x n Y m。数据项的支持度和频繁集：设xc，阿M 为数据项集的一个子集，B 为全体事务集D A T A 中包含x 的事务的数量，A 为D A T A 中包含的所有事务的数量，则项集x 的支持度为：泐D r r(耻兰它描述了数据项集x 的重要性。支持度大干最小支持度的数据集为频繁集。关联规则的置信度：一个关联规则的置信度表示为c o n 触。(R)：苎丝型兰坐2。脚州【爿)它被用来描述该规则的可靠

10、程度。A p r i o r i 算法的核心思想是通过对事务数据库的多轮扫描来发现所有的频繁集。首先找出所有支持度大于最小支持度的项集，即频繁项集；然后基于这些频繁项集产生新的关联规则往复扫描。此过程不断重复直到不再有新的频繁项集产生为止。2 2 甄选典型视图在使用A p r i o r i 算法挖掘典型视图之前，需要构建一个事务数据库D A T A。首先，将二维投影视图间的相似性度量定义为S 泐(f，j =1 一d h(口，B，)式中：d i s()为视图i 和i 对应特征描述子D i 和D i 的L-2 距离，它被归一化在区间【O，l】。若度量结果大于规定的最小相似度I n i f l _

11、 I m g s i m，则认为j和i 相似。然后，对于投影视图集合I 的每一幅视图i，统计该集合中所有与其相似的视图(包括其自身)。最后，将统计后的项目作为一条事务存人事务数据库D A T A。D A l A 由对应着视图集规模的4 2 条事务组成，如表1 所示。对二维典型视图的挖掘从对事务数据库D A T A第3 4 卷第5 期2 0 1 2 一0 5(上)1 8 3】t-梦I万方数据表1 事务数据库D 示例C M 与c o，则其相似性计算的具体步骤如下：事务项集l2j l，J 2，j s，J 9J l 五，j 74 2z 伫的第一轮扫描开始。首先，对于项集中的每一个数据项(即投影视图)计

12、算其所对应的支持度，筛选出大于最小支持度m i n s u p p o r t 的频繁1 项集组成频繁项目集L，：然后，以L。作为输入构建候选集，扫描数据库并从中找出大于最小支持度的2-项频繁项目集L：；接下来继续用L 2 作为输入去寻找L，。此过程不断重复直到没有新的频繁集产生为止。典型视图即为每个频繁项目集中对应关联规则置信度最小的数据项。算法l 给出了整个典型视图甄选的流程。算法1：典型视图甄选算法输入：事务数据库D A T A，最小支持度阈值m i I L s u p p o n输出：三维模型的典型视图集C1)L，=1 项频繁项目集2)f b r(k-2；k 1；k 什)d o3)C

13、a n k 一A p r i o r i g e n(L k-l，m i I L s u p p o r t)：构建候选集4)f 研a l l 数据库D A T A 中的事务td o5)C 柚t 一S u b s e t(C a I l k，t)：提取包含在事务t 中的候选集6)f o ra l IC a n t 中的候选项C a n d 07)C 锄C o u n t”8)e n d f o r9)L k=c a n C a n kIC 嬲C o u n t I I l i n-s u p p c I n l1 0)e n df o r1 1)L=u 1 2)e n d f o r1 3)C

14、+一S e e k M i n C o n“L)：计算置信度，提取典型视图完成典型视图的甄选之后，三维模型将由其对应的二维典璎视图集C 来表示。三维模型之间的相似性比较即可转换为各自典型视图集之间的比较。由于存在不同模型典型视图集规模不一致的问题，为了保证相似性计算的有效性，本文采用贪心算法。设模型M 和Q 对应的典型视图集分别为【8 4 l 第3 4 卷第5 期2 0 1 2 一0 5(上)步骤1 取模型M 的l 幅典型视图c 0 c 吖，遍历c Q 中的每一幅视图吒，找出与其最相似的视图。0 与之间的距离函数定义为(c 0，呓)=幽(如(D c k，)式中：r 为模型Q 典型视图集的规模：

15、D c 0 于分别是c 矗和对应的特征描述子。其值越小，表示视图越相似。步骤2 重复步骤1，直至任一视图集合中所有的视图都成功匹配。在此过程中，视图集C M 与C o内已经匹配成功的视图不参与重复计算。则2 个模型M 和Q 之间的相似性度量可表示为跏(M，Q)=1-D 2 1式中：=m i n(s，)，s 和r 分别为模型M 和Q 所对应的典型视图集的规模。D 为匹配成功的视图对之间的L 一2 距离。3 算法验证与讨论本文以O p e n C A S C A D E 一为几何造型平台，M i c r o s o f tV i s u a lS t u d i o2 0 0 8 为集成开发环境，

16、构建了一个三维C A D 模型测试库。库中的模型主要来自于普渡大学建立的工程标准模型库E S B，包含了齿轮类、盘类、轴类等4 0 0 多个C A D 模型。在实验中，为了确保在对模型投影的过程中，从每一视角投影的唯一性，本文利用实验平台O P E N C A S C A D E 和改进P C A 法对模型的姿态分别对模型进行位置尺度和旋转的归一化处理。投影视图的尺寸规定为2 5 6 2 5 6。衡量投影视图相似性的最小相似度m i n-I m g S i m 与典型视图甄选时O仉ln20 34 4仉5O 60-7也8t 9l青全事图3 三种算法的平均查全率-查准率曲线比较【下转第1 2 6

17、页】l9e76I432lO。o鼍棼瑚万方数据时；另外，还能关闭部分气缸的气门，实现可变排量，因此，它是未来的主要发展方向，但该技术目前还有待于进一步完善与发展。本设计能克服原有的凸轮驱动的可变配气相位机构的缺点，能方便实现对进、排气门的配气相位及气门升程的全范围控制，且原结构没有大的变化，技术已经成熟。参考文献：【l】陈勤学，崔可润，朱国伟可变气门系统的研究与发展叨牟用发动机，2 0 0 2。(3)【2】苏岩，李理光，肖敏，曾朝阳国外发动机可变配气相位研究进展一机构篇田汽车技术，1 9 9 9，(6)，【3】陈高路汽车发动机控制系统检稿与维修工作页嗍人民交通出版社，2 0 0 7【4】张西振汽

18、车发动机电拄技术口皿机械工业出版社2 0 0 9|k -|-k -【上接第8 4 页】表2 三种算法的E 测度指标比较算法E 测度(肟为检索结果的数量)册c 1 0 c 2 0 I=3 2本文算法O 6 1 80 4 6 703 8 50 W D0 5 9 2O 4 3 80 3 7 1L F D0 5 1 10 4 0 30 3 6 4表3 检索实例”4 口一，一Z 巴已【盈巴巴E E 盈甄选时的最小支持度m i n s u p p o n 分别设定为7 0 与5 0。为了验证本文算法在三维c A D 模型检索中的有效性，本文使用查全率一查准率曲线(P RC u“e)和E 测度(E M e

19、a s u r e s)作为检索结果的评价指标，将本文算法与光场算法(u D)”1 及文献【6】中的算法(O w D)进行比较。综合图3、表2 及表3 的实验结果，可以看出本文算法的检索性能优于其他两种算法，检索结果更加符合人的相似性感知。1 1 2 6 l 第3 4 卷第5 期2 0 1 2 一0 5(上)4 结论本文提出了一种基于二维典型视图的三维c A D 模型检索算法。通过对C A D 模型进行二维投影并甄选出其中的典型视图，将模型表示为其对应的二维典型视图的集合。三维模型间的相似性评价通过比较各自对应的二维典型视图来获得。实验结果表明本文算法的检索性能优于其他几种算法，能够更好地胜任

20、对三维C A D 模型的检索。参考文献：【I】U l m 卸D G 铀e m e c h 绷i c a ld e s i 助p r 佻e s s，c o n d e d N e wY o r k：M c G m w H m 1 9 9 7【2 1T a r 触J w I V e l 岫pRc，As u r v e yo f c o B 眦b a 9 白d 3 Ds I a p er e 晡e v a l m e t h 叫s M u l m e d i a l b 0 I s a n d A 弹H c a 如脏，2 0 0 7 3 9(3)：4 4 1 _ 4 7 1 1 3】S h j l

21、a n cP M i nP，K a z h d a nM，e ta 1 T h eP r i n c c t o nS h a wB e n c h m a r k I nP r o c S h a p cM o d c l i n gA pp I i c a t i o n s，G e n，I l a l y，2 0 0 4【4 1J a y a n t iS，K a I y a n a r a m a nY，I y e fNe ta l _ D e v e l o p i n g 孤e n g i n n gs h a p eb e n c h m a r kf b rC A Dm o d

22、 e l s c 1)m p u l e rA i d e dD e s i g n 2 0 0 6 2 8(9)：9 3 9-9 5 3【5】C h 朗D Y T i 粕XP，S h c n Y T 0 nv i s u a ls i I I I i l a r i t yb a 刚3 D m o d e l 化t r i e v a I C o m p u t e r G n p I I i c s F 0 m m，2 0 0 3，2 2(3)：2 2 3 2 3 2 悯L iL，w a n gHz C h i nTJ R c 砸e v i“g3 DC A Dm o d e l su s

23、m g2 Di m a g e sw i t f Io p d m i z e dw e i g h 忸mP r o c I n t e r I l 缸i o n a lc 窜r c 骚脚a n d s 谤出P l e s s i I l g，Y 删t a 1 i I I a 如lo【7】Y 印P 工n 捌强疆柏R 0 口g s H h m 辨锄蛐b y K r a w t c h o u km o m e n t sI E E ET r a n s a c t i o n so nl m a g eP r o c c s s i n g 2 0 0 3，1 2(1 1)：1 3 6 7 1 3 7 7 1 8】W u x D，K u I n 盯V，Q u i I l l 柚J Re ta 1 1 却l O a l g or i I h m s i nd a t am i n i o gK n o w l e d g ea n di n f o 肿a 吐o ns y s t e m s 2 0 0 7，1 4(1)：1 1 3 7 9】0 p e n C A S C A D E1 k h n o l o g yw w w a p e n c a s c a d eo r g万方数据