專(zhuān)利名稱(chēng)：基于模糊k近鄰的三維模型半自動(dòng)標(biāo)注方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種三維模型標(biāo)注方法，特別是一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法。
背景技術(shù)：
隨著計(jì)算機(jī)軟、硬件性能的提高和計(jì)算機(jī)圖形學(xué)的發(fā)展，以及許多優(yōu)秀的三維模型建模軟件的出現(xiàn)，三維模型的應(yīng)用越來(lái)越廣泛，并在許多領(lǐng)域扮演著越來(lái)越重要的角色， 比如虛擬現(xiàn)實(shí)、建筑設(shè)計(jì)、機(jī)械制造、3D游戲、3D電影、計(jì)算機(jī)輔助設(shè)計(jì)、考古、生物、醫(yī)學(xué)等領(lǐng)域，三維化正成為一種流行趨勢(shì)。日益發(fā)達(dá)的互聯(lián)網(wǎng)技術(shù)為人們對(duì)三維模型的共享和處理提供了便利條件，越來(lái)越多的三維模型庫(kù)涌現(xiàn)了出來(lái)，比如Google 3D Warehouse,3D Cafe等。如何迅速查找到所需的模型已成為繼圖像、視頻檢索之后的又一個(gè)熱門(mén)課題。基于關(guān)鍵詞的文本檢索是人們最熟悉的檢索方式，Google、百度都已成為人們生活中常用工具，但這些三維模型的文件格式均是為逼真繪制設(shè)計(jì)的，文件中包含三維對(duì)象的幾何、紋理、材質(zhì)、光照等豐富的顯示信息，但這些信息均不能直接供計(jì)算機(jī)理解三維模型的語(yǔ)義內(nèi)容。如果采用人工標(biāo)注，則工作量大，又極為繁瑣。目前國(guó)內(nèi)夕卜公開(kāi)的文獻(xiàn)中，F(xiàn)an Yachun，Zhou Mingquan. "Semantic-oriented 3d Object Retrieval Using Visual Vocabulary Labeling.，，International Joint Conference on Artificial Intelligence, 2009.提出了一種根據(jù)三維模型的語(yǔ)義信息進(jìn)行檢索的方法，首先建立一個(gè)語(yǔ)義詞匯庫(kù)，并提取三維模型的頂點(diǎn)直方圖特征和正交投影特征作為語(yǔ)義詞匯的映射特征，然后根據(jù)語(yǔ)義詞匯映射的特征進(jìn)行三維模型檢索或?qū)δＰ瓦M(jìn)行分類(lèi)° Corey Goldfeder, Peter Allen. "Auto-tagging To Improve Text Search For 3D Models” .ACM Conference on Digital Libraries, 2008.提出了采用 Zernike 矩特征進(jìn)行相似性匹配，然后通過(guò)計(jì)算語(yǔ)義詞匯和模型間的置信度來(lái)完成模型的標(biāo)注的方法。周志華，張敏靈.“MIML 多示例多標(biāo)記學(xué)習(xí).”提出了一種對(duì)多義性模型的標(biāo)注方法，將場(chǎng)景分割成多個(gè)示例，然后對(duì)多個(gè)示例分別標(biāo)注學(xué)習(xí)，最后用一個(gè)標(biāo)注集合來(lái)表示模型。上述文獻(xiàn)的解決思路有以下幾點(diǎn)不足1)處于聚類(lèi)區(qū)域邊緣附近的樣本易出現(xiàn)誤判，誤判的原因有多種特征本身的區(qū)分度不夠、類(lèi)別本身的含義模糊等。在這種情況下， 如果采用確定的分類(lèi)結(jié)果，往往會(huì)得到錯(cuò)誤的類(lèi)別標(biāo)簽；幻模型標(biāo)注的自動(dòng)化體現(xiàn)不夠， 過(guò)多依賴(lài)人為的判斷；幻三維模型訓(xùn)練庫(kù)中為語(yǔ)義詞匯映射特征信息，而這些通過(guò)平均方法得到特征不能夠準(zhǔn)確地描述語(yǔ)義詞匯，也損失了很多模型的內(nèi)容信息。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供了一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，該方法根據(jù)模型特征自動(dòng)地提取三維模型的語(yǔ)義信息，完善其文本標(biāo)注，以便于根據(jù)文本標(biāo)注來(lái)檢索三維模型。該方法使基于文本關(guān)鍵詞的三維模型檢索更加準(zhǔn)確便捷，滿(mǎn)足了用戶(hù)方便準(zhǔn)確地檢索三維模型的需求，具有廣泛的應(yīng)用前景。
本發(fā)明中的三維模型半自動(dòng)標(biāo)注方法采用一種復(fù)合特征向量DESIRE來(lái)描述三維模型，并考慮到處于聚類(lèi)區(qū)域邊緣附近的樣本易出現(xiàn)誤判的因素，采用模糊K近鄰(FKNN) 分類(lèi)器得到模糊化的分類(lèi)結(jié)果，并通過(guò)計(jì)算分類(lèi)結(jié)果的不確定度來(lái)決定哪些模型需要通過(guò)相關(guān)性反饋的方式來(lái)確認(rèn)分類(lèi)結(jié)果，并引入訓(xùn)練學(xué)習(xí)機(jī)制，重復(fù)地學(xué)習(xí)計(jì)算，做到自動(dòng)化標(biāo)注模型。本發(fā)明中的基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，包括如下步驟三維模型訓(xùn)練庫(kù)建立步驟，建立三維模型訓(xùn)練庫(kù)，所述訓(xùn)練庫(kù)中包含三維模型的名稱(chēng)、幾何結(jié)構(gòu)信息、語(yǔ)義類(lèi)別信息和特征信息；相似性匹配步驟，對(duì)用戶(hù)輸入的待標(biāo)注模型提取特征向量， 并與三維模型訓(xùn)練庫(kù)里的模型做相似性匹配，找到k個(gè)與待標(biāo)注模型最相近的近鄰模型， 所述k的取值范圍為大于0且小于三維模型訓(xùn)練庫(kù)里的模型數(shù)；模糊化分類(lèi)步驟，基于相似性匹配步驟得到的k個(gè)近鄰模型及它們的語(yǔ)義類(lèi)別信息，采用模糊K近鄰分類(lèi)方法進(jìn)行分類(lèi)，得到模糊化的分類(lèi)結(jié)果；分類(lèi)不確定度計(jì)算步驟，基于模糊化的分類(lèi)結(jié)果計(jì)算各個(gè)待標(biāo)注模型的分類(lèi)不確定度；訓(xùn)練學(xué)習(xí)步驟，基于分類(lèi)不確定度計(jì)算步驟得到的分類(lèi)不確定度， 低于不確定度閾值的直接完成分類(lèi)標(biāo)注，高于不確定度閾值的通過(guò)相關(guān)性反饋和重新進(jìn)行模糊分類(lèi)方法完成分類(lèi)標(biāo)注；訓(xùn)練庫(kù)添加步驟，完成分類(lèi)標(biāo)注的模型，按照已建立的三維模型訓(xùn)練庫(kù)的存儲(chǔ)格式，添加進(jìn)訓(xùn)練庫(kù)。所述三維模型訓(xùn)練庫(kù)建立步驟進(jìn)一步包括訓(xùn)練庫(kù)設(shè)計(jì)步驟，所述訓(xùn)練庫(kù)包括 Modennfo、Label、fvData和Label_Model四個(gè)表；ModeUnfo表存儲(chǔ)了三維模型的名稱(chēng)、頂點(diǎn)數(shù)、面片數(shù)和模型文件的存儲(chǔ)路徑，Label表存儲(chǔ)了語(yǔ)義類(lèi)別ID、語(yǔ)義類(lèi)別名稱(chēng)和父類(lèi)別 ID，Label_Model表存儲(chǔ)了 ModelInfo表和Label表之間多對(duì)多的映射關(guān)系，fvData表存儲(chǔ)了三維模型的特征向量的下標(biāo)和向量值信息；數(shù)據(jù)的批量導(dǎo)入步驟，提取PSB模型庫(kù)里的各個(gè)模型的幾何信息及其所屬語(yǔ)義類(lèi)別信息，添加到建好的訓(xùn)練庫(kù)中的Modellnfo、Label 和LabelModel表中；特征信息的提取和導(dǎo)入步驟，提取PSB模型庫(kù)中的所有三維模型的特征向量，添加到fvData表里，至此，三維模型訓(xùn)練庫(kù)建立完成。所述相似性匹配步驟進(jìn)一步包括待標(biāo)注模型格式轉(zhuǎn)換，將待標(biāo)注模型轉(zhuǎn)換為 off格式；特征向量提取步驟，提取待標(biāo)注模型的特征向量；近鄰模型確定步驟，將待標(biāo)注模型的特征向量與訓(xùn)練庫(kù)中模型的特征向量進(jìn)行相似性匹配，找到k個(gè)近鄰模型，所述k的取值范圍為1 N，其中N為訓(xùn)練庫(kù)中的模型總數(shù)。所述近鄰模型確定步驟進(jìn)一步包括相似距離計(jì)算步驟，分別計(jì)算待標(biāo)注模型特征向量χ與訓(xùn)練庫(kù)中的各個(gè)模型特征向量Xi間的相似距離dist(x，Xi)；相似模型確定步驟，按相似性距離由小到大的排序，找到前k個(gè)與待標(biāo)注模型最相似的模型。所述模糊化分類(lèi)步驟進(jìn)一步包括判斷待標(biāo)注模型X與k個(gè)近鄰模型中最小的距離dist(X，Xi)是否等于O ；如果等于0，則認(rèn)為待標(biāo)注模型χ和近鄰模型Xi是相同的，將待標(biāo)注模型χ直接歸為近鄰模型Xi所屬的語(yǔ)義類(lèi)別；如果不等于0，則統(tǒng)計(jì)出k個(gè)近鄰模型所屬的語(yǔ)義類(lèi)別，假設(shè)共有c個(gè)類(lèi)別；依次計(jì)算出待標(biāo)注模型Χ隸屬于第j個(gè)語(yǔ)義類(lèi)別Cj的
可能性大小計(jì)算公式如下
權(quán)利要求
1.一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，其特征在于，包括如下步驟 三維模型訓(xùn)練庫(kù)建立步驟，建立三維模型訓(xùn)練庫(kù)，所述訓(xùn)練庫(kù)中包含三維模型的名稱(chēng)、幾何結(jié)構(gòu)信息、語(yǔ)義類(lèi)別信息和特征信息；相似性匹配步驟，對(duì)用戶(hù)輸入的待標(biāo)注模型提取特征向量，并與三維模型訓(xùn)練庫(kù)里的模型做相似性匹配，找到k個(gè)與待標(biāo)注模型最相近的近鄰模型，所述k的取值范圍為大于0 且小于三維模型訓(xùn)練庫(kù)里的模型數(shù)；模糊化分類(lèi)步驟，基于相似性匹配步驟得到的k個(gè)近鄰模型及它們的語(yǔ)義類(lèi)別信息， 采用模糊K近鄰分類(lèi)方法進(jìn)行分類(lèi)，得到模糊化的分類(lèi)結(jié)果；分類(lèi)不確定度計(jì)算步驟，基于模糊化的分類(lèi)結(jié)果計(jì)算各個(gè)待標(biāo)注模型的分類(lèi)不確定度；訓(xùn)練學(xué)習(xí)步驟，基于分類(lèi)不確定度計(jì)算步驟得到的分類(lèi)不確定度，低于不確定度閾值的直接完成分類(lèi)標(biāo)注，高于不確定度閾值的通過(guò)相關(guān)性反饋和重新進(jìn)行模糊分類(lèi)方法完成分類(lèi)標(biāo)注；訓(xùn)練庫(kù)添加步驟，完成分類(lèi)標(biāo)注的模型，按照已建立的三維模型訓(xùn)練庫(kù)的存儲(chǔ)格式，添加進(jìn)訓(xùn)練庫(kù)。
2.根據(jù)權(quán)利要求1所述的一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，其特征在于所述三維模型訓(xùn)練庫(kù)建立步驟進(jìn)一步包括訓(xùn)練庫(kù)設(shè)計(jì)步驟，所述訓(xùn)練庫(kù)包括Modellnfo、Label、fvData和Label Model四個(gè)表； ModelInfo表存儲(chǔ)了三維模型的名稱(chēng)、頂點(diǎn)數(shù)、面片數(shù)和模型文件的存儲(chǔ)路徑，Label表存儲(chǔ)了語(yǔ)義類(lèi)別ID、語(yǔ)義類(lèi)別名稱(chēng)和父類(lèi)別ID ,Label Model表存儲(chǔ)了 Mode IInfo表和Label 表之間多對(duì)多的映射關(guān)系，fvData表存儲(chǔ)了三維模型的特征向量的下標(biāo)和向量值信息；數(shù)據(jù)的批量導(dǎo)入步驟，提取PSB模型庫(kù)里的各個(gè)模型的幾何信息及其所屬語(yǔ)義類(lèi)別信息，添加到建好的訓(xùn)練庫(kù)中的Modellnfo、Label和Label_Model表中；特征信息的提取和導(dǎo)入步驟，提取PSB模型庫(kù)中的所有三維模型的特征向量，添加到 fvData表里，至此，三維模型訓(xùn)練庫(kù)建立完成。
3.根據(jù)權(quán)利要求1所述的一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，其特征在于所述相似性匹配步驟進(jìn)一步包括待標(biāo)注模型格式轉(zhuǎn)換，將待標(biāo)注模型轉(zhuǎn)換為off格式； 特征向量提取步驟，提取待標(biāo)注模型的特征向量；近鄰模型確定步驟，將待標(biāo)注模型的特征向量與訓(xùn)練庫(kù)中模型的特征向量進(jìn)行相似性匹配，找到k個(gè)近鄰模型，所述k的取值范圍為1 N，其中N為訓(xùn)練庫(kù)中的模型總數(shù)。
4.根據(jù)權(quán)利要求3所述的一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，其特征在于所述近鄰模型確定步驟進(jìn)一步包括相似距離計(jì)算步驟，分別計(jì)算待標(biāo)注模型特征向量χ與訓(xùn)練庫(kù)中的各個(gè)模型特征向量 Xi間的相似距離di st (X，Xi)；相似模型確定步驟，按相似性距離由小到大的排序，找到前k個(gè)與待標(biāo)注模型最相似的模型。
5.根據(jù)權(quán)利要求1所述的一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，其特征在于所述模糊化分類(lèi)步驟進(jìn)一步包括判斷待標(biāo)注模型χ與k個(gè)近鄰模型中最小的距離dist(x，Xi)是否等于0 ； 如果等于0，則認(rèn)為待標(biāo)注模型χ和近鄰模型Xi是相同的，將待標(biāo)注模型χ直接歸為近鄰模型Xi所屬的語(yǔ)義類(lèi)別； 如果不等于0，則統(tǒng)計(jì)出k個(gè)近鄰模型所屬的語(yǔ)義類(lèi)別，假設(shè)共有c個(gè)類(lèi)別；依次計(jì)算出待標(biāo)注模型χ隸屬于第j個(gè)語(yǔ)義類(lèi)別 .的可能性大小/ 00，計(jì)算公式如下 對(duì)各個(gè)類(lèi)別的可能性 ω按由大到小的順序進(jìn)行排序，完成模糊化分類(lèi)。
6.根據(jù)權(quán)利要求1所述的一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，其特征在于所述分類(lèi)不確定度計(jì)算步驟進(jìn)一步包括計(jì)算模型的分類(lèi)不確定度，采用計(jì)算分類(lèi)結(jié)果的信息熵的方法來(lái)計(jì)算不確定度，信息熵越大，表示分類(lèi)的不確定程度越大，計(jì)算公式如下 其中U1為第i個(gè)模型的不確定度，c為模型可能所屬的類(lèi)別數(shù)； Hik = -PikIogPik-(I-Pik)Iog(I-Pik)Hik為第i個(gè)模型與第k個(gè)類(lèi)別之間的個(gè)體熵，Pik為第i個(gè)模型屬于第k個(gè)類(lèi)別的可能性大??；將待標(biāo)注模型按照分類(lèi)不確定度值由大到小的順序進(jìn)行排序。
7.根據(jù)權(quán)利要求1所述的一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，其特征在于所述訓(xùn)練學(xué)習(xí)步驟進(jìn)一步包括不確定度閾值判斷步驟，分別將待標(biāo)注模型的分類(lèi)不確定度與閾值進(jìn)行比較，低于閾值的直接完成模型的分類(lèi)標(biāo)注，高于閾值的進(jìn)入相關(guān)性反饋和重新分類(lèi)步驟；相關(guān)性反饋步驟，將高于閾值的待標(biāo)注模型中不確定度最大的模型，將其模糊分類(lèi)結(jié)果提交給用戶(hù)決策，確定其分類(lèi)，完成標(biāo)注后添加進(jìn)數(shù)據(jù)庫(kù)；重新分類(lèi)步驟，將高于閾值的其余待標(biāo)注模型，基于新的訓(xùn)練庫(kù)，依次重復(fù)相似性匹配步驟、模糊化分類(lèi)步驟和分類(lèi)不確定度計(jì)算步驟，直到所有模型都完成分類(lèi)標(biāo)注，并添加進(jìn)訓(xùn)練庫(kù)。
8.一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注系統(tǒng)，其特征在于，包括三維模型訓(xùn)練庫(kù)建立模塊，用于建立三維模型訓(xùn)練庫(kù)，所述訓(xùn)練庫(kù)中包含三維模型的名稱(chēng)、幾何結(jié)構(gòu)信息、語(yǔ)義類(lèi)別信息和特征信息；相似性匹配模塊，用于對(duì)用戶(hù)輸入的待標(biāo)注模型提取特征向量，并與三維模型訓(xùn)練庫(kù)里的模型做相似性匹配，找到k個(gè)與待標(biāo)注模型最相近的近鄰模型，所述k的取值范圍為大于O且小于三維模型訓(xùn)練庫(kù)里的模型數(shù)；模糊化分類(lèi)模塊，用于基于相似性匹配步驟得到的k個(gè)近鄰模型及它們的語(yǔ)義類(lèi)別信息，采用模糊K近鄰分類(lèi)方法進(jìn)行分類(lèi)，得到模糊化的分類(lèi)結(jié)果；分類(lèi)不確定度計(jì)算模塊，用于基于模糊化的分類(lèi)結(jié)果計(jì)算各個(gè)待標(biāo)注模型的分類(lèi)不確定度；訓(xùn)練學(xué)習(xí)模塊，用于基于分類(lèi)不確定度計(jì)算步驟得到的分類(lèi)不確定度，低于不確定度閾值的直接完成分類(lèi)標(biāo)注，高于不確定度閾值的通過(guò)相關(guān)性反饋和重新進(jìn)行模糊分類(lèi)方法完成分類(lèi)標(biāo)注；訓(xùn)練庫(kù)添加模塊，用于完成分類(lèi)標(biāo)注的模型，按照已建立的三維模型訓(xùn)練庫(kù)的存儲(chǔ)格式，添加進(jìn)訓(xùn)練庫(kù)。
9.根據(jù)權(quán)利要求8所述的一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注系統(tǒng)，其特征在于所述三維模型訓(xùn)練庫(kù)建立模塊進(jìn)一步包括訓(xùn)練庫(kù)設(shè)計(jì)單元，所述訓(xùn)練庫(kù)包括Model Info、Label、fvData和Label_Model四個(gè)表； ModelInfo表存儲(chǔ)了三維模型的名稱(chēng)、頂點(diǎn)數(shù)、面片數(shù)和模型文件的存儲(chǔ)路徑，Label表存儲(chǔ)了語(yǔ)義類(lèi)別ID、語(yǔ)義類(lèi)別名稱(chēng)和父類(lèi)別ID，Label_Model表存儲(chǔ)了 ModelInfo表和Label 表之間多對(duì)多的映射關(guān)系，fvData表存儲(chǔ)了三維模型的特征向量的下標(biāo)和向量值信息；數(shù)據(jù)的批量導(dǎo)入單元，用于提取PSB模型庫(kù)里的各個(gè)模型的幾何信息及其所屬語(yǔ)義類(lèi)別信息，添加到建好的訓(xùn)練庫(kù)中的Modellnfo、Label和Label_M0del表中；特征信息的提取和導(dǎo)入單元，用于提取PSB模型庫(kù)中的所有三維模型的特征向量，添加到fvData表里，至此，三維模型訓(xùn)練庫(kù)建立完成； 所述相似性匹配模塊進(jìn)一步包括待標(biāo)注模型格式轉(zhuǎn)換單元，用于將待標(biāo)注模型轉(zhuǎn)換為off格式； 特征向量提取單元，用于提取待標(biāo)注模型的特征向量；近鄰模型確定單元，用于將待標(biāo)注模型的特征向量與訓(xùn)練庫(kù)中模型的特征向量進(jìn)行相似性匹配，找到k個(gè)近鄰模型，所述k的取值范圍為1 N，其中N為訓(xùn)練庫(kù)中的模型總數(shù)； 所述近鄰模型確定模塊進(jìn)一步包括相似距離計(jì)算單元，用于分別計(jì)算待標(biāo)注模型特征向量χ與訓(xùn)練庫(kù)中的各個(gè)模型特征向量Xi間的相似距離dist(X,Xi)；相似模型確定單元，用于按相似性距離由小到大的排序，找到前k個(gè)與待標(biāo)注模型最相似的模型；所述模糊化分類(lèi)模塊用于判斷待標(biāo)注模型χ與k個(gè)近鄰模型中最小的距離dist(x，Xi)是否等于O ； 如果等于0，則認(rèn)為待標(biāo)注模型χ和近鄰模型Xi是相同的，將待標(biāo)注模型χ直接歸為近鄰模型Xi所屬的語(yǔ)義類(lèi)別； 如果不等于0，則統(tǒng)計(jì)出k個(gè)近鄰模型所屬的語(yǔ)義類(lèi)別，假設(shè)共有c個(gè)類(lèi)別；依次計(jì)算出待標(biāo)注模型χ隸屬于第j個(gè)語(yǔ)義類(lèi)別 .的可能性大小/ 00，計(jì)算公式如下TjPcj (xdilldist(x, Xi))P C Sx) = 2^-K-，)= 1，2，…,^(1/ dist{x, Xi))i=l對(duì)各個(gè)類(lèi)別的可能性 ω按由大到小的順序進(jìn)行排序，完成模糊化分類(lèi)；所述分類(lèi)不確定度計(jì)算模塊進(jìn)一步包括計(jì)算模型的分類(lèi)不確定度單元，采用計(jì)算分類(lèi)結(jié)果的信息熵的方法來(lái)計(jì)算不確定度， 信息熵越大，表示分類(lèi)的不確定程度越大，計(jì)算公式如下Ul=YjHlk ，k=l，2，…，ck=\其中U1為第i個(gè)模型的不確定度，c為模型可能所屬的類(lèi)別數(shù)；Hik = -PikIogPik-(I-Pik)Iog(I-Pik)Hik為第i個(gè)模型與第k個(gè)類(lèi)別之間的個(gè)體熵，Pik為第i個(gè)模型屬于第k個(gè)類(lèi)別的可能性大??；將待標(biāo)注模型按照分類(lèi)不確定度值由大到小的順序進(jìn)行排序；所述訓(xùn)練學(xué)習(xí)模塊進(jìn)一步包括不確定度閾值判斷單元，用于分別將待標(biāo)注模型的分類(lèi)不確定度與閾值進(jìn)行比較，低于閾值的直接完成模型的分類(lèi)標(biāo)注，高于閾值的進(jìn)入相關(guān)性反饋和重新分類(lèi)步驟；相關(guān)性反饋單元，用于將高于閾值的待標(biāo)注模型中不確定度最大的模型，將其模糊分類(lèi)結(jié)果提交給用戶(hù)決策，確定其分類(lèi)，完成標(biāo)注后添加進(jìn)數(shù)據(jù)庫(kù)；重新分類(lèi)單元，用于將高于閾值的其余待標(biāo)注模型，基于新的訓(xùn)練庫(kù)，依次重復(fù)相似性匹配步驟、模糊化分類(lèi)步驟和分類(lèi)不確定度計(jì)算步驟，直到所有模型都完成分類(lèi)標(biāo)注，并添加進(jìn)訓(xùn)練庫(kù)。
全文摘要
本發(fā)明公開(kāi)了一種基于模糊K近鄰的三維模型半自動(dòng)標(biāo)注方法，該方法的實(shí)現(xiàn)過(guò)程為首先建立3D模型訓(xùn)練庫(kù)，然后提取輸入的待標(biāo)注模型的特征向量，并與訓(xùn)練庫(kù)里的模型做相似性匹配，找到k個(gè)近鄰模型，然后通過(guò)模糊K近鄰分類(lèi)器進(jìn)行分類(lèi)，得到模糊化的分類(lèi)結(jié)果，最后計(jì)算分類(lèi)不確定度，對(duì)于分類(lèi)不確定的模型通過(guò)反饋和重新訓(xùn)練學(xué)習(xí)的方法完成分類(lèi)標(biāo)注。標(biāo)注完的模型被添加到3D模型訓(xùn)練庫(kù)以進(jìn)一步擴(kuò)充模型庫(kù)。本發(fā)明中的三維模型半自動(dòng)標(biāo)注方法，采用模糊化的分類(lèi)結(jié)果，包含更多的信息，對(duì)于類(lèi)別不確定的模型還可以借助反饋來(lái)確認(rèn)類(lèi)別標(biāo)簽，解決特征聚類(lèi)邊緣重疊的問(wèn)題，并通過(guò)訓(xùn)練學(xué)習(xí)的機(jī)制，進(jìn)一步做到自動(dòng)化標(biāo)注。
文檔編號(hào)G06K9/66GK102254192SQ20111019637
公開(kāi)日2011年11月23日 申請(qǐng)日期2011年7月13日 優(yōu)先權(quán)日2011年7月13日
發(fā)明者萬(wàn)麗莉, 張俊青, 苗振江 申請(qǐng)人:北京交通大學(xué)