一種基於支持向量數據描述的三維目標多視點視圖建模方法
2023-04-26 04:11:46 1
專利名稱：一種基於支持向量數據描述的三維目標多視點視圖建模方法
技術領域：
本發明涉及一種基於支持向量數據描述的三維目標多視點視圖建模方法，屬於模式識別領域，具體涉及到目標識別、目標建模和數據約簡等領域。用於三維目標多視點建模，適用於不同視點下目標圖像差異導致的單一目標視圖描述不能識別目標的問題。
背景技術：
三維目標識別是計算機視覺領域內一個重要的研究方向。目前在實際應用中獲取目標的三維信息往往十分困難，識別三維目標仍然主要通過識別目標二維投影形成的圖像完成。目標二維成像(投影)過程導致了部分信息丟失，且在不同視點下，複雜目標的外形差異明顯，使得快速穩定的三維目標識別難度很大。通過對三維目標進行建模以形成對目標外形的全面描述，是解決該問題的手段之一。這就需要研究三維目標的多視點視圖建模方法。直觀的想法是將多個視點下對目標圖像的描述綜合起來作為目標的描述。然而對於同一目標，其姿態數目無法窮舉，不同描述間也包含了很多冗餘信息。因此，需要在約簡冗餘描述的同時儘可能保留重要的描述。三維目標多視點視圖建模方法一般分為兩類第一類方法是基於目標幾何結構和可見關係的視點球面分割算法，主要基於目標圖像的幾何拓撲特徵，最終得到的建模結果是關於目標的多姿態特徵視圖集。但這類方法對目標特徵視圖集的構建依賴於目標的幾何結構和特徵，一般只能針對一定複雜程度的某一類特定物體，如迴轉體、二次曲面體等，實際中難以應用。第二類方法是基於目標特徵相似度的聚類算法，將在視點球面上均勻採樣得到的目標圖像用特徵向量描述，並對特徵向量集進行聚類，將最終得到的少量目標特徵向量作為建模結果。但這類算法存在一些明顯的缺點一是需要知道聚類的類別數，這一般難以事先確定；二是得到的特徵視圖在進行最近鄰分類時無閾值，只能強制劃分到某一類中，不能拒絕數據。
發明內容
本發明的目的在於提供一種基於支持向量數據描述的三維目標多視點視圖建模方法，它針對不同視點下目標圖像差異導致的單一目標視圖描述不能識別目標的缺點，構建了一種描述數量小、冗餘信息少、能較好描述目標全姿態特徵向量集的三維目標多視點視圖建模方法。其技術方案如下本發明一種基於支持向量數據描述的三維目標多視點視圖建模方法，它包括以下步驟步驟一獲取測試目標的全姿態圖像。將目標置於視點球中心，目標姿態變化等效於攝像機在視點球面上的不同點觀察目標。在視點球面上均勻採樣，獲取數量為N的三維目標的全姿態圖像集。步驟二 從獲取的全姿態圖像集中提取目標特徵向量集合IxiIi = 1,2,…N}。步驟三求取在高維空間內包含儘可能多目標特徵向量的最小超球體相關參數，得到的數量較少的支持向量將作為目標多視點視圖的最佳建模結果。其中，步驟一所述的獲取測試目標的全姿態圖像，具體實現過程如下首先創建需要進行多視點視圖建模的目標三維模型。然後將目標模型置於假想視點球的球心，由於目標姿態變化等效於攝像機在視點球面上的不同點觀察目標，因此獲取攝像機觀察視點的過程即為劃分視點球面的過程。採用類似劃分地球經緯度的方式，以相同間隔均勻劃分視點球面，並在對應的劃分點處對目標成像，即可獲取目標全姿態圖像集。其中，步驟三所述的求取在高維空間內包含儘可能多目標特徵向量的最小超球體相關參數，得到目標多視點視圖的最佳建模結果，具體實現過程如下 在特徵空間中，定義一個包含目標全姿態特徵向量集合且封閉的超球體。該超球體由球心a和半徑R表徵。SVDD算法通過最小化R2來求取包含儘可能多數據點的最小超球體，以對含有目標全姿態外形信息的特徵向量集進行描述。考慮到可能在特徵向量集中出現的異常點，數據點到球心的距離可能不嚴格小於半徑，求取最小超球體的過程可表述為以下優化問題min(廠(八).a) = R1 + (.[(1)
I約束條件為\\Xi-af 0,V/(3)使用拉格朗日乘子法求解得到L(HmA)=H2 + - (^2+ -(!KU2+N2))(4)
IIK}I令該泛函對R，a，I1偏導數為0，可得^ = 0: =丨(5)
CKi; = 0: a = YaiXi(6)
(、a^ '7^ = 0: C-a,=0(I)求解⑷的對偶最大化問題,可有L = Ha ( 、『)-Zaiai U x,)(8)
i約束條件為y , = K0<a, <r(9)
i當a i>0時對應的特徵向量將位於超球體邊界附近，成為描述特徵向量集合的必要成分，即為目標多視點視圖的最佳建模結果。其中，採用核函數K(Xi，Xp代替內積可以得到更加靈活的柔性數據描述。
本發明具有的優點是通過求解在特徵空間包含大多數目標全姿態圖像集特徵向量的最優柔性超球體邊界來描述目標，方法通用性強，不需要事先知道聚類的類別數，並且優化後得到的超球體參數R可以作為最近鄰分類器閾值，克服了一般情況下最近鄰分類無法得到合理的分類閾值，不能拒絕待分類目標特徵向量的問題。
圖I為本發明的處理流程圖；圖2為本發明中涉及的視點球劃分示意圖；圖3為本發明的建模結果示意具體實施例方式本發明針對三維目標多視點視圖建模問題，提出了一種基於支持向量數據描述的三維目標多視點視圖建模方法。見圖1，本發明一種基於支持向量數據描述的三維目標多視點視圖建模方法，它包括以下步驟步驟一獲取測試目標的全姿態圖像。將目標置於視點球中心，目標姿態變化等效於攝像機在視點球面上的不同點觀察目標。在視點球面上均勻採樣，獲取數量為N的三維目標的全姿態圖像集。步驟二 從獲取的全姿態圖像集中提取目標特徵向量集合IxiIi = 1，2，…N}。步驟三求取在高維空間內包含儘可能多目標特徵向量的最小超球體相關參數，得到的數量較少的支持向量將作為目標多視點視圖的最佳建模結果。首先，獲取目標全姿態圖像需要創建待建模的目標三維模型。見圖2，將目標模型置於視點球的球心。視點球是定義在三維歐氏空間中的假想單位球，不同視點下目標的成像過程可看作目標以球心為起點向不同方向投影的過程，視點球面上每一點P對應一個投影方向向量P，沿投影方向P的正交投影對應於從視點球面上P點看目標。因此獲取攝像機觀察視點的過程即為劃分視點球面的過程。採用類似劃分地球經緯度的方式，以相同間隔均勻劃分視點球面，並在對應的劃分點處對目標成像，即可獲取元素個數為N的目標全姿態圖像集。採用合適的特徵描述圖像中的目標，進一步得到描述該目標全姿態外形信息的特徵向量集合UiI i = 1,2, ---N} o在特徵空間中，定義一個包含該集合且封閉的超球體。該超球體由球心a和半徑R表徵。SVDD算法通過最小化R2來求取包含儘可能多數據點的最小超球體，以對含有目標全姿態外形信息的特徵向量集進行描述。對於相同目標不同姿態下對應的特徵向量而言，它們將包含於超球體的內部。求取最小超球體的過程可表述為以下優化問題min (F (R, a) =R2)(10)約束條件為jx^af < R2 y I(11)考慮到可能在特徵向量集T中出現異常點，數據點到球心的距離可能不嚴格小於半徑，引入鬆弛變量D 0，上述問題變為權利要求
1.一種基於支持向量數據描述的三維目標多視點視圖建模方法，其特徵在於它包括以下步驟 步驟一獲取測試目標的全姿態圖像；將目標置於視點球中心，目標姿態變化等效於攝像機在視點球面上的不同點觀察目標，在視點球面上均勻採樣，獲取數量為N的三維目標的全姿態圖像集； 步驟二 從獲取的全姿態圖像集中提取目標特徵向量集合IxiIi = 1,2, ...N}； 步驟三求取在高維空間內包含儘可能多目標特徵向量的最小超球體相關參數，得到的數量較少的支持向量將作為目標多視點視圖的最佳建模結果。
2.根據權利要求I所述的一種基於支持向量數據描述的三維目標多視點視圖建模方 法，其特徵在於步驟一所述的獲取測試目標的全姿態圖像，具體實現過程如下首先創建需要進行多視點視圖建模的目標三維模型，然後將目標模型置於假想視點球的球心，由於目標姿態變化等效於攝像機在視點球面上的不同點觀察目標，因此獲取攝像機觀察視點的過程即為劃分視點球面的過程；採用類似劃分地球經緯度的方式，以相同間隔均勻劃分視點球面，並在對應的劃分點處對目標成像，即獲取目標全姿態圖像集。
3.根據權利要求I所述的一種基於支持向量數據描述的三維目標多視點視圖建模方法，其特徵在於步驟三所述的求取在高維空間內包含儘可能多目標特徵向量的最小超球體相關參數，得到目標多視點視圖的最佳建模結果，具體實現過程如下 在特徵空間中，定義一個包含目標全姿態特徵向量集合且封閉的超球體，該超球體由球心a和半徑R表徵，SVDD算法通過最小化R2來求取包含儘可能多數據點的最小超球體，以對含有目標全姿態外形信息的特徵向量集進行描述；考慮到可能在特徵向量集中出現的異常點，數據點到球心的距離可能不嚴格小於半徑，求取最小超球體的過程表述為以下優化問題
全文摘要
一種基於支持向量數據描述的三維目標多視點視圖建模方法，它有三大步驟一獲取測試目標的全姿態圖像。二從獲取的全姿態圖像集中提取目標特徵向量集合{xi|i＝1，2，...N}。三使用支持向量數據描述(SVDD)方法表徵從圖像中提取的特徵向量在特徵空間中的分布，將得到的少量且具有充分代表性的特徵向量作為目標的多視點視圖建模結果。本發明針對不同視點下目標圖像差異導致的單一目標視圖描述不能識別目標的問題，提出了一種冗餘信息少、能較好描述目標全姿態特徵向量集的三維目標多視點視圖建模方法。它在模式識別領域裡具有較好的實用價值和廣闊的應用前景。
文檔編號G06T17/00GK102682478SQ20121015088
公開日2012年9月19日 申請日期2012年5月15日 優先權日2012年5月15日
發明者丁昊, 李旭東, 趙慧潔 申請人:北京航空航天大學