[发明专利]基于局部加权非相似性度量的三维关键点检测方法

说明书

 

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种三维模型关键点检测方法。

 

背景技术

随着三维模型采集技术的飞速发展, 三维模型在身份识别、视频监控、虚拟现实、电子商务、古建筑保护，医疗诊断和智能机器人等领域中获得了广泛地应用。三维模型被公认为是继音频、图像和视频之后的第四代多媒体数据类型，因此对于三维模型的处理和分析的研究受到越来越多研究者的重视。与其他的多媒体数据类型相比，三维模型的数据量一般都比较大，因此直接对每个点或者网格进行分析和描述的计算量会比较大，这已经成为阻碍三维模型相关技术不断发展和应用的瓶颈之一。

针对这一问题，通常采用的解决方法是在三维模型表面进行稀疏采样，以减少计算的复杂度。这种方法虽然有效地减少了计算量，但是可能对后续的特征提取和识别步骤造成信息损失。为了能有效地表示三维模型，研究者提出从三维模型中检测出一些具有典型性特征的点、线或面来进行表达的方法。这种思想与人类感知目标物体的机制是相一致的，即人对目标的识别过程，总是优选考虑最显著、能最大限度与其他非目标区分的特征，然后依次使用次显著特征，是一种动态的、序贯性的认知过程。因此，在保证有效鉴别信息完整性的前提下，利用从三维模型中检测出的关键点进行特征提取和识别，会大大提高算法的运算效率。但是如果检测方法选择不合适，会降低后续特征描述子的辨别能力，导致其不能唯一刻画该物体。目前有关三维模型特征点检测的研究成果还不是很多，在理论上还不成熟，尚处于起步阶段。因此，对三维模型特征点检测算法进行研究具有重要的理论意义和实际应用价值。

Castellani等提出了一种基于显著度的关键点检测方法（U. Castellani, M. Cristani, S. Fantoni, V. Murino. Sparse Points Matching by Combining 3D Mesh Saliency with Statistical Descriptors. Eurographics, Vol. 27, No.2, pp. 643-652, 2008.）。该方法首先对三维网格进行一系列的高斯滤波，然后根据三维点的显著度来检测关键点。如果一个三维点的显著度是局部最大值且大于最大显著度的30%，那么该点被标记为关键点。这里显著度是根据三维点在垂直局部表面方向上的位置变化量来进行定义的。Galfand等提出了一种用来进行三维形状自动对齐的关键点选择算法（N. Gelfand, N. Mitra, L. Guibas, H. Pottmann, Robust Global Registration, Eurographics Symposium on Geometry Processing, 2005.）。首先，计算每个点的积分量描述子，然后根据描述子的可区分性来选择关键点。Ho和Gibbins提出了一种基于局部曲率的关键点检测算法（Huy Tho Ho and Danny Gibbins, Multi-scale Feature Extraction for 3D Models using Local Surface Curvature, Digital Image Computing: Techniques and Applications, pp. 16-23, 2008.）。该方法将具有局部最大曲率的点定义为三维点。这种方法在局部曲率分布比较均匀的区域也有可能检测出关键点，这显然是不合理的。为了解决这一问题，Ho和Gibbins还提出了一种基于局部形状变化的特征点检测方法（Huy Tho ho and Danny Gibbins, Multi-scale Feature Extraction for 3D Surface Registration using Local Shape Variation, International Conference on Image and Vision Computing, pp. 1-6, 2008.）。该方法将三维点对应形状索引值的方差定义为非相似性度量，将具有局部最大相似性度量的三维点标记为关键点。与Galfand、Ho和Gibbins等人提出的三维关键点检测方法相比，这种方法能够更有效、更合理地表达三维模型。鉴于此，本发明提出了一种基于局部加权非相似性度量的三维关键点检测方法，在计算相似性度量的过程中根据三维点与其邻域点的距离对形状索引值的变化量进行高斯加权。与基于局部形状索引值方差的非相似性度量方法相比，本发明提出的非相似性度量方法可以更好地描述局部形状的变化信息。此外，为了进一步提高关键点检测算法的性能，本发明还提出了多尺度关键点检测的方案。