一种基于单一图像的数控机床设计模块三维模型检索方法

摘要

本发明公开了一种基于单一图像的数控机床设计模块三维模型检索方法。用户无需提供三维模型或草图，仅需输入要检索的模型的类似图像，便能检索到所需的数控机床设计模块三维模型。在训练阶段，数据库中的三维CAD模型用多视角来进行表示，然后从模型的多视角图像中进行SIFT特征提取，并计算SIFT直方图生成特征袋特征用于快速检索。检索阶段分为两个步骤：粗略检索与精确检索。本发明解决了常规基于内容的三维模型检索中难以获得三维模型或草图作为检索条件的问题，用户能够利用非常容易获得的图像作为检索条件来进行检索。同时，本发明的两步检索法既保证了检索的效率，又保证了检索的精度。

说明书

技术领域

本发明属于基于内容的三维模型检索领域，具体涉及一种利用单一图像进行数控机床设计模块三维模型检索的方法，即一种用户通过输入所需机床模块三维模型的类似图像，对数据库进行检索，获得所需机床模块三维模型的智能检索方法。

背景技术

基于三维模型的数控机床设计已成为我国机床设计的主流模式,由于机床三维模型具有可视化、数字化和虚拟化等特点,使其成为数控机床开发各环节不可或缺的基础载体.研究和统计分析表明,在新型机床模块设计中,约40％是重用过去的模块,约40％是对已有设计模块的微小修改,而只有约20％是完全新的模块设计，如何方便、准确、快速地获取想要的机床设计模块三维模型,并加以有效重用,是提高设计效率、缩短产品开发周期的关键之一.

目前，三维模型检索方法多种多样，从检索方式看可以分为文本检索法、三维实例检索法以及草图检索法。

文本检索法是最古老最常用的信息检索方法，其基本原理是由用户(或计算机辅助)对数据库中的机床模块三维模型进行命名以及特性描述。在检索过程中，通过匹配用户输入的关键词以及数据库中模型的描述文字，查找类似的模型。文本检索法要求用户对数据库的机床模块三维模型能够一一进行准确的命名或语义描述。随着CAD技术的应用及模型的积累，数据库中机床模块三维模型的数量急速增长，对所有的模型进行语义描述是一件工作量庞大的事情。另外，由于人的知识的局限性以及个人对模型理解的不同，对模型的语义描述主观性过强、且容易出错，因此对模型的语义描述往往不够准确、全面。因此，实际应用中文本检索法很难达到很好的效果。

三维实例检索法就是直接通过输入三维模型来检索相似模型的方法。通过自动提取机床模块三维模型的形状等的特征向量，并将实例的特征向量与数据库中的机床模块三维模型的特征向量进行相似度计算，检索出相近的模型。由于基于实例的检索方法能够较好地表达用户的检索意图，并且基于模型内容的特征描述方法较人工语义描述更为准确，近年来三维实例检索法得到了长足的发展。其缺点在于合适的三维模型实例获取较为困难。许多情况下，虽然用户能够较清楚地知道自己的检索意图，但获取与自己的检索意图类似的三维模型作为检索实例却很困难。

草图检索法是用户利用相应的交互工具构建想要查找的模型的草图，并利用这些草图与数据库内的三维模型进行匹配查找的一种方法。草图检索法可以分为二维草图检索法和三维草图检索法。二维草图容易绘制，使用较为方便，但由于利用二维草图进行检索的效果往往不够理想，使用得较少。三维草图检索较二维草图检索法查询效果好，但三维草图的绘制比二维草图工作量大得多。三维草图绘制工具使用不便、功能有限，绘制一个能够较准确表达检索意图的三维草图非常困难。

三维模型实例难以获取，准确的草图难以绘制都较大地制约了基于内容的智能模型检索的发展。与模型的实例、草图相比，模型的图像(如二维截图)要容易获取得多，利用图像进行数控机床设计模块三维模型检索的实用性比上述方法要强得多。本发明提出了一种基于图像的数控机床设计模块三维模型检索方法，有效解决基于内容的三维模型检索技术的实用性局限。

发明内容

为解决以上问题，本发明提供本发明涉及一种利用单一图像进行数控机床设计模块三维模型检索的方法，即一种用户通过输入所需机床模块三维模型的类似图像，对数据库进行检索，获得所需机床模块三维模型的智能检索方法。通过对数据库中三维模型进行多视角分解，提取表征模型各视角的SIFT特征及其BOF特征向量；利用最近邻法(欧氏距离)从数据库中粗略检索出相似度较高的CAD模型，以实现快速检索；利用一种新的精确的相似度计算方法：大数距离法，对粗略检索的机床模块三维模型进行重排序，以提高检索精度。

为了实现上述目的，本发明采用技术方案是：

一种基于单一图像的数控机床设计模块三维模型检索方法，包括如下步骤：

步骤1机床模块三维模型特征提取方法：抽取数据库中的所有机床模块三维模型的SIFT特征及其BOF特征向量；

步骤2中作为检索条件的图像特征提取方法：抽取作为检索条件的图像的SIFT特征及其BOF特征向量；

步骤3粗略检索：使用k-近邻法来计算步骤1)和步骤2)特征向量间的欧氏距离，根据检索条件对数据库中的机床模块三维模型进行粗略相似度排序，列出n个最相似的候选的检索结果；

步骤4精确检索：利用大数距离法对候选的机床模块三维模型进行重排序，生成最终的检索结果。

进一步的，步骤1中的机床模块三维模型特征提取方法包括CAD模型的多视角分解，以及对多视角图像的相互独立的特征提取。

更进一步的，三维模型根据球形均分原则进行多视角分解，对称模型不重复分解视角。

更进一步的，三维模型分解的起始视角位置是随机的，不需要进行姿态归一化。

进一步的，步骤2中作为检索条件的图像特征提取方法中所使用的图像是一个未知三维CAD模型的任意视角图像。

进一步的，步骤3中的粗略检索与步骤4中的精确检索采用了两种不同的相似度计算方法：步骤3采用简单的相似度计算方法计算欧氏距离，用于快速的候选模型检索，步骤4采用复杂的相似度计算方法计算大数距离用于候选模型的重排序以提高检索精度。

更进一步的，精确检索的相似度计算中，每个候选CAD模型的至少3个视角的特征向量用于重排序。

更进一步的，对于每一个候选的CAD模型，被选择用来代表该模型的3个视角与检索条件有最大的相似度。

更进一步的，大数距离计算过程中，作为检索条件的图像的特征向量中的元素与候选模型的3个特征向量中相同位置的最大元素进行比较。

优选的，一种离线机床模块三维模型特征提取方法，其具体步骤如下：

1.1在离线处理阶段，先将数据库中已有的机床模块三维模型进行多视角分解。针对每一个三维模型，以任意三条互相垂直的、穿过模型几何中心的直线为基准(不进行姿势归一化)，将三维空间大约等分为v份(v为用户自定义的参数)；

1.2从步骤1.1中的等分的v份子空间对应的视角，对该模型进行投影，获取v张不同视角的二维投影图像；

1.3对步骤1.2中的每一张视角图像，进行特征提取，提取大约等量(例如2000)SIFT特征点，为了减少检索的计算量，运用特征袋方法，在SIFT特征的基础上提取直方图，作为更高级的特征(BOF特征)。

1.在在线检索阶段，当用户输入图像作为检索条件后，对该图像进行特征提取。该图像的特征提取与三维模型中视角的图像的特征提取方法相同，先提取SIFT特征点，在此基础上提取BOF特征向量。

数据库中的机床模块三维模型与检索条件的特征向量都提取完毕后，检索的主要过程包括两个步骤：粗略检索与精确检索，两个不同检索步骤中，用于计算检索条件与数据库中的模型的特征向量间的相似度的方法不同。

2.在粗略检索中，为了提高检索效率，使用k-近邻法来计算特征向量间的欧氏距离，用户可以在需要进一步提高检索效率的情况下，选择近似k-近邻法(计算其它距离)。在一个包含N个三维模型的数据库中，一共有vN个BOF特征向量，利用k-近邻法选择n个最相似的机床模块三维模型。

3.在精确检索中，为了进一步提高检索精度，利用一种新的相似度计算方法：大数距离法，将步骤4中所得的n个候选模型进行重排序，具体步骤如下：

4.1针对n个候选机床模块三维模型，从每一模型对应的v个特征向量中，选择与检索条件的特征向量最相似的3个(或多个)特征向量来表征该模型，进行精确检索；

4.2当计算检索条件与三维模型的相似度时，将检索条件的BOF特征向量中的非零元素与模型的3个BOF特征向量中同一位置的元素中最大值进行比较：当最大值大于它的50％(或者用户定义的其它比例)时，相似度向量的对应元素值设为1，否则为0，最终获得与原特征向量同维度的相似度向量；

4.3经过4.2步骤的计算过程，获得二值相似度向量，将检索条件的BOF特征向量值作为权重向量，转置后与二值相似度向量相乘，获得最终的相似度。

本发明具有的有益效果是：

1.现有检索方法中往往需要用户输入三维模型，或者绘制草图作为检索条件，由于三维模型往往难以获得、草图绘制也十分困难，使得基于内容的数控机床设计模块三维模型检索的实用性较差。本发明可以在用户输入图像作为检索条件的情况下，检索出类似的三维模型，很大程度上提高了基于内容的三维模型检索技术的实用性。

2.本发明提出的粗略检索与精确检索两阶段检索法，即保证了检索的高效率，又保证了检索的高精度。现有的检索方法往往只能优先考虑效率或者精度中的一个方面。与这些方法相比，本发明具有较明显的优势。

3.本发明所提出的机床模块三维模型检索方法，不需要对模型进行姿势归一化处理，与现有方法相比，减少了计算量，同时消除了姿势归一化过程中的不准确性引起后续的检索精度降低等问题。

4.本发明所提出的相似度计算方法：大数距离法，能够计算图像与三维模型之间的相似度，其应用范围广泛，适用于二维数据与三维数据间的相似度计算，具有较广阔的应用前景。

本发明公开了一种基于图像的数控机床设计模块三维模型检索方法。用户无需提供三维模型或草图，仅需输入要检索的模型的类似图像，便能检索到所需的数控机床设计模块三维模型。在训练阶段，数据库中的三维CAD(Computer AidedDesign)模型用多视角来进行表示，然后从模型的多视角图像中进行SIFT(Scale-invariant feature transform)特征提取，并计算SIFT直方图生成特征袋(Bag Of Features:BOF)特征用于快速检索。检索阶段分为两个步骤：粗略检索与精确检索。在粗略检索中，通过k-近邻法(欧氏距离)，检索出n个(少量)机床模块三维模型作为候选检索结果。在精确检索中，对于每一个候选的三维模型，选择3个(或多个)与检索条件最相似的视角，利用这些视角的BOF特征向量对候选的n个模块进行重排序，一种新的相似度计算方法:大数距离法被用于重排序。重排序后的机床模块三维模型作为最终的检索结果输出。本发明解决了常规基于内容的三维模型检索中难以获得三维模型或草图作为检索条件的问题，用户能够利用非常容易获得的图像作为检索条件来进行检索。同时，本发明的两步检索法既保证了检索的效率，又保证了检索的精度。

附图说明

图1是本发明的基于图像的数控机床设计模块三维模型检索方法的总流程。

图2是本发明所述的数据库中机床模块三维模型特征提取方法流程。

图3是本发明的数控机床设计模块三维模型粗略检索流程。

图4是本发明的数控机床设计模块三维模型精确检索流程。

具体实施方式

以下结合附图对本发明作进一步的详细描述。

图1是本发明所述基于图像的数控机床设计模块三维模型检索方法的总流程，主要包括离线特征提取(训练)与在线检测两个阶段。在训练阶段，将数据库中的机床模块三维模型通过多视角来进行表示。然后从模型的多视角图像中进行特征提取。检索阶段分为两个步骤：粗略检索与精确检索。在粗略检索中，通过k-近邻法(欧氏距离)，检索出少量三维模型作为候选检索结果。在精确检索中，对于每一个候选的模型，选择3个(或多个)与检索条件最相似的视角图像，利用一种新的相似度计算方法:大数距离法对候选模型进行重排序。重排序后的三维模型作为最终的检索结果输出。具体步骤如下：

第一步，提取数据库中的所有数控机床设计模块三维模型的特征向量；

第二步，提取用户所输入的检索条件(图像)的特征向量；

第三步，根据检索条件对数据库中的三维模型进行粗略相似度排序；

第四步，对粗略检索的候选模型进行重排序，获得精确检索结果。

图2是本发明的数据库中数控机床设计模块三维模型特征提取方法的流程。通过将三维模型进行多视角分解，获得多个视角图像，然后对各视角图像进行特征袋特征提取，获得可以实现快速检索的特征向量。具体步骤如下：

第一步，将一个机床模块三维模型分解成v个视角，轴对称或中心对称等对称模型在对称区域不需要重复提取视角，视角的数量以能充分表达模型为标准。

第二步，在每一个二维视角图像中提取SIFT特征点，SIFT特征抗旋转、缩放等变换，通过提取图像的SIFT特征点，获得一定数量的128维的SIFT特征向量。

第三步，利用k-means或其它聚类方法，将第二步中所获得的数据库中SIFT特征向量进行聚类，获得一定数量(例如10000)的聚类中心点。

第四步，提取每张图像的特征袋特征向量：将该图像对应的所有SIFT特征量化到最近的聚类中心，然后计算各聚类中心的SIFT点直方图，该直方图即为特征袋特征向量。

图3是本发明的数控机床设计模块三维模型粗略检索流程图。在用户输入图像作为检索条件后，先提取其特征袋特征向量，然后与数据库中的机床模块三维模型的特征向量做(欧氏)距离计算，按照距离从小到大的顺序将数据库中的模型进行排序，并选择前n个作为候选检索结果。具体步骤如下：

第一步，当用户输入图像后，提取出图像的特征袋特征向量，具体方法与上述的第二步、第四步相同。

第二步，计算上述所求得的特征向量与数据库中各模型的特征向量的欧氏距离，具体计算公式为：||x-y||₂，其中x,y为两个特征向量。

第三步，根据距离的大小，将数据库中的模型按照距离从小到大的顺序进行排序。由于每个模块对应多个特征向量，选择其中距离最小的进行排序。

第四步，在对数控库中的数控机床设计模块三维模型进行排序后，选择前n个模型作为候选的检索结果。

图4是本发明的数控机床设计模块三维模型精确检索流程图。在粗略检索阶段获得n个候选模型后，利用大数距离法对这些模块进行重新排序，获得精确的检索结果。具体步骤如下：

第一步，针对粗略检索的n个候选模型，抽取每个候选模型对应的3个(或多个)特征向量用于重排序。这些向量为在粗略检索阶段排序最靠前的特征。

第二步，利用大数距离法计算检索条件的特征向量与每一候选模型的距离。大数距离的计算方法如下：

(1)比较检索条件的特征向量x与对应的三维模型的3个特征向量y1,y2,y3的每一个元素的大小，获得新的二值向量s，如果max_iy(i,j)>0.5·x(j),s(j)＝1,否者s(j)＝0。

(2)大数距离等于x的转置与s的乘积。

第三步，根据大数距离的大小，将粗略检索的n个候选模块按照距离从小到大的顺序进行重排序，重排序的结果作为最终的检索结果输出。