基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法
2023-11-04 13:04:22 2
專利名稱：基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法
技術領域：
本發明涉及一種三維碎片的類別檢測方法。
背景技術：
目前文物拼接停留在手工水平，僅依靠史書文字記載，憑專業人士根據經驗完成。基於手工拼接的文物保管工作面臨周期長、主觀性強、可重複性差的缺陷，並且工作失誤可能會造成對文物不可估量的毀壞。隨著計算機技術的不斷發展，有力地推動了計算機圖形處理、模式識別、三維信息處理技術的發展，使歷史文物的數字拼接成為可能。將破損文物三維表面通過三維掃描儀、數位化儀、輪廓儀等特定的數字採集設備轉化為數字形式輸入到計算機中，再在計算機上對數字形式的破損文物進行無縫拼接，稱為三維表面數字拼接，該方法不僅速度快，而且可重複操作，避免了一時不慎造成的損失，此外，利用這種方法還可以進行人類手工幾乎無法實現的修補與拼接工作。三維表面數字拼接分為三維碎片分類和拼接兩步，三維碎片分類效果直接影響三維表面數字拼接效果，而碎片分類又是基於碎片類別的檢測而實現的，目前的三維碎片的類別檢測方法存在檢測不準確、效率低等問題。
發明內容
本發明的目的是解決目前三維碎片的類別檢測方法存在檢測不準確的問題，提供了一種基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法。
基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，它的過程如下 步驟一、對待檢測的碎片進行掃描，得到所述碎片的三維表面數據； 步驟二、對步驟一獲得碎片的三維表面數據進行特徵提取，得到碎片的三維表面特徵向量； 步驟三、對步驟二獲得的碎片的三維表面特徵向量進行核優化判別分析，獲得核優化判別分析特徵向量； 步驟四、利用最鄰近分類法對步驟三獲得的核優化判別分析特徵向量進行類別檢測，獲得該三維碎片的類別。
本發明的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，能夠準確檢測三維碎片的類別。
圖1為本發明的流程示意圖；圖2為本發明中步驟二的流程示意圖；圖3為本發明中步驟三的流程示意圖。
具體實施例方式具體實施方式
一本實施方式的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，它的過程如下 步驟一、對待檢測的碎片進行掃描，得到所述碎片的三維表面數據； 步驟二、對步驟一獲得碎片的三維表面數據進行特徵提取，得到碎片的三維表面特徵向量； 步驟三、對步驟二獲得的碎片的三維表面特徵向量進行核優化判別分析，獲得核優化判別分析特徵向量； 步驟四、利用最鄰近分類法對步驟三獲得的核優化判別分析特徵向量進行類別檢測，獲得該三維碎片的類別。
本實施方式中，步驟一利用了三維雷射掃描儀對三維碎片進行掃描得到碎片的三維表面數據。
步驟二所述內容的具體過程為 步驟二一、利用連續主成分分析方法，找到步驟一獲得的碎片的三維表面數據的主軸，選定參考主軸，然後對碎片的三維表面數據進行旋轉、平移，使碎片的三維表面數據的主軸與參考主軸重合； 步驟二二、確定所有的投影面及每個投影面對應的投影規則，令F表示確定的投影面的總個數，並令{S(i1)，i1＝1，2，...，F}表示所有投影面構成的集合，其中S(k)表示第k個投影面，然後初始化m＝0； 步驟二三、將碎片的三維表面數據中的每個數據點向所選擇的第m個投影面S(m)作投影，得到所述每個數據點在投影面S(m)上的映射點，計算並獲得所述每個數據點與其在投影面S(m)上的映射點之間的距離，然後在獲得的所有距離中，找出最大的距離dmax和最小的距離dmin； 步驟二四、選擇h(m)作為直方圖的橫坐標的最大值，h(m)為正整數，計算每個整數點橫坐標i2對應的距離
其中上式中i2＝1，2，......，h(m)，獲得h(m)-1個區間
其中i3＝1，2，......，h(m)-1； 步驟二五、利用步驟二四獲得的h(m)-1個區間
判斷碎片的三維表面數據中的每個數據點所對應的整數點橫坐標； 步驟二六、統計每個整數點橫坐標i所對應的數據點的個數，並以數據點的個數作為縱坐標構建直方圖，以直方圖的縱坐標的數值按其對應橫坐標從小到大的順序組建向量T(m)，並將向量T(m)中的元素依次放入向量W中； 步驟二七、判斷m＜F是否成立，則令m＝m+1並返回執行步驟二三；否則，執行步驟二八； 步驟二八、向量W為碎片的三維表面特徵向量。
步驟二一所述參考主軸可以為三維坐標系中的Z軸。
步驟二二所述確定投影面及相應的投影規則，具體是指 分別找出碎片的三維表面數據所佔三維空間的x坐標的最大值和最小值、y坐標的最大值和最小值、z坐標的最大值和最小值，依次分別記為xmax、xmin、ymax、ymin、zmax和zmin； 構造頂點分別為A1(xmin，ymin，zmin)、A2(xmax，ymin，zmin)、A3(xmin，ymax，zmin)、A4(xmax，ymax，zmin)、A5(xmin，ymin，zmax)、A6(xmax，ymin，zmax)、A7(xmin，ymax，zmax)和A8(xmax，ymax，zmax)的長方體； 令長方體的6個面為投影面，所述6個面分別為 和 相應的投影規則為將碎片的三維表面數據中的任意一個數據點p(x，y，z)，分別以垂直的方式向各個投影面投影，使其投影點分別為P1(xmin，y，z)，P2(xmax，y，z)，P3(x，ymin，z)，P4(x，ymax，z)，P5(x，y，zmin)和P6(x，y，zmax)。
步驟二五所述的利用步驟二四獲得的h(m)-1個區間
判斷碎片的三維表面數據中的每個數據點所對應的整數點橫坐標的具體過程為 令p表示待判斷的數據點，d表示數據點p與其在投影面S(m)上的映射點之間的距離，然後在步驟二四獲得的h(m)-1個區間
中，找到一個區間[dq，dq+1]，q∈[1，h(m)-1]，使得dq≤d≤dq+1，則判斷區間
所對應的橫坐標q即為待判斷的數據點p所對應的橫坐標。
步驟三所述內容的具體過程為 步驟三一、選擇基本核函數k(z3，z4)、數據相關核函數
及與二者相關的參數，並由基本核函數k(z3，z4)計算獲得基本核矩陣K； 步驟三二、給定訓練樣本數據，並根據給定的訓練樣本數據以及選擇膨脹向量的方法，獲得膨脹向量的表達式；再根據獲得的膨脹向量的表達式、基本核矩陣K以及步驟二所獲得的碎片的三維表面特徵向量，並利用核優化準則，計算並獲得數據相關核函數
的膨脹係數向量； 步驟三三、利用步驟三二獲得的數據相關核函數
的膨脹係數向量，構造並獲得數據相關核函數
及數據相關核矩陣
步驟三四、根據步驟三三獲得的數據相關核函數
及數據相關核矩陣
並利用Fisher準則，計算並獲得M個核判別向量，其中M在數值上等於核優化判別分析特徵向量的維數； 步驟三五、根據步驟三四獲得的核判別向量、數據相關核函數
以及數據相關核矩陣
計算並獲得核優化判別分析特徵向量。
步驟三二所述的訓練樣本數據，是指已知碎片類別的碎片的三維表面特徵向量。
步驟三二所述的給定訓練樣本數據，並根據給定的訓練樣本數據以及選擇膨脹向量的方法，獲得膨脹向量的表達式的具體過程為 給定訓練樣本數據z0(1)，z0(2)，...，z0(n)，其中n表示訓練樣本數據中包含的數據個數，由選擇膨脹向量的方法獲得膨脹向量的表達式為
其中，z1、z2為輸入參變量，Δ為根據先驗知識事先選定的常數。
步驟三二所述的根據獲得的膨脹向量的表達式、基本核矩陣K以及步驟二所獲得的碎片的三維表面特徵向量，並利用核優化準則，計算並獲得數據相關核函數
的膨脹係數向量的具體過程為 根據膨脹向量的表達式e(z1，z2)，其中z1、z2為輸入參變量，構造矩陣E
構造矩陣B 式中，L為訓練樣本數據中所包含的類別數，n1、n2、...、nL分別為訓練樣本數據中每一種類別所包含的數據的個數，且n1+n2+...+nL＝n，Ktt為t×t的對角矩陣，其中t＝1，2，...，L，，K為n×n的矩陣；構造矩陣W 式中，k11、k22、...、knn分別為K的主對角線元素；令J1(α)＝αTETBEα，J2(α)＝αTETWEα，JFisher＝J1/J2，其中，α為數據相關核函數
的膨脹係數向量，然後利用如下迭代公式求解並獲得α 其中，
表示第i4次迭代計算後獲得的α，
表示第i4-1次迭代計算後獲得的α，ε為學習率，
i4和N分別表示當前迭代次數以及事先確定的迭代總次數，ε0為初始學習率。
步驟三四所述內容的具體過程為 根據Fisher準則依次計算並獲得核判別向量β1和
i5＝2，...，M，M在數值上等於核優化判別分析特徵向量的維數，β1等於使
達到最大值的β值，
等於除去β1、β2、...、
之外能夠使
達到最大值的β值；其中，G＝diag(G1，G2，...，GL)，
為元素
的
矩陣，i6＝1，2，...，L。
步驟三五所述內容的具體過程為 令β1，β2，...，βM表示步驟三四獲得的M個核判別向量，則令Aopt＝[β1，β2，...，βM]，得核優化判別分析特徵向量為 其中z5為步驟二獲得的碎片的三維表面特徵向量。
步驟四所述內容的具體過程為 逐一計算訓練樣本數據中每一種類別數據的平均值，選定相似量度表達式，分別計算步驟三獲得的核優化判別分析特徵向量與所屬每一種類別數據的平均值的相似量度值，並在計算所得的所有相似量度值中找出最大的相似量度值，則該最大的相似量度值所對應的數據的類別即為該碎片的類別。
權利要求
1.基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於它的過程如下
步驟一、對待檢測的碎片進行掃描，得到所述碎片的三維表面數據；
步驟二、對步驟一獲得碎片的三維表面數據進行特徵提取，得到碎片的三維表面特徵向量；
步驟三、對步驟二獲得的碎片的三維表面特徵向量進行核優化判別分析，獲得核優化判別分析特徵向量；
步驟四、利用最鄰近分類法對步驟三獲得的核優化判別分析特徵向量進行類別檢測，獲得碎片的類別。
2.根據權利要求1所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟二所述內容的具體過程為
步驟二一、利用連續主成分分析方法，找到步驟一獲得的碎片的三維表面數據的主軸，選定參考主軸，然後對碎片的三維表面數據進行旋轉、平移，使碎片的三維表面數據的主軸與參考主軸重合；
步驟二二、確定所有的投影面及每個投影面對應的投影規則，令F表示確定的投影面的總個數，並令{S(i1)，i1＝1，2，...，F}表示所有投影面構成的集合，其中S(k)表示第k個投影面，然後初始化m＝0；
步驟二三、將碎片的三維表面數據中的每個數據點向所選擇的第m個投影面S(m)作投影，得到所述每個數據點在投影面S(m)上的映射點，計算並獲得所述每個數據點與其在投影面S(m)上的映射點之間的距離，然後在獲得的所有距離中，找出最大的距離dmax和最小的距離dmin；
步驟二四、選擇h(m)作為直方圖的橫坐標的最大值，h(m)為正整數，計算每個整數點橫坐標i2對應的距離
其中上式中i2＝1，2，......，h(m)，獲得h(m)-1個區間
其中i3＝1，2，......，h(m)-1；
步驟二五、利用步驟二四獲得的h(m)-1個區間
判斷碎片的三維表面數據中的每個數據點所對應的整數點橫坐標；
步驟二六、統計每個整數點橫坐標i所對應的數據點的個數，並以數據點的個數作為縱坐標構建直方圖，以直方圖的縱坐標的數值按其對應橫坐標從小到大的順序組建向量T(m)，並將向量T(m)中的元素依次放入向量W中；
步驟二七、判斷m＜F是否成立，則令m＝m+1並返回執行步驟二三；否則，執行步驟二八；
步驟二八、向量W為碎片的三維表面特徵向量。
3.根據權利要求2所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟二二所述確定投影面及相應的投影規則，具體是指
分別找出碎片的三維表面數據所佔三維空間的x坐標的最大值和最小值、y坐標的最大值和最小值、z坐標的最大值和最小值，依次分別記為xmax、xmin、ymax、ymin、zmax和zmin；
構造頂點分別為A1(xmin，ymin，zmin)、A2(xmax，ymin，zmin)、A3(xmin，ymax，zmin)、A4(xmax，ymax，zmin)、A5(xmin，ymin，zmax)、A6(xmax，ymin，zmax)、A7(xmin，ymax，zmax)和A8(xmax，ymax，zmax)的長方體；
令長方體的6個面為投影面，所述6個面分別為
和
相應的投影規則為將碎片的三維表面數據中的任意一個數據點p(x，y，z)，分別以垂直的方式向各個投影面投影，使其投影點分別為P1(xmin，y，z)，P2(xmax，y，z)，P3(x，ymin，z)，P4(x，ymax，z)，P5(x，y，zmin)和P6(x，y，zmax)。
4.根據權利要求2或3所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟二五所述的利用步驟二四獲得的h(m)-1個區間
判斷碎片的三維表面數據中的每個數據點所對應的整數點橫坐標的具體過程為
令p表示待判斷的數據點，d表示數據點p與其在投影面S(m)上的映射點之間的距離，然後在步驟二四獲得的h(m)-1個區間
中，找到一個區間[dq，dq+1]，q∈[1，h(m)-1]，使得dq≤d≤dq+1，則判斷區間
所對應的橫坐標q即為待判斷的數據點p所對應的橫坐標。
5.根據權利要求1、2或3所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟三所述內容的具體過程為
步驟三一、選擇基本核函數k(z3，z4)、數據相關核函數
及與二者相關的參數，並由基本核函數k(z3，z4)計算獲得基本核矩陣K；
步驟三二、給定訓練樣本數據，並根據給定的訓練樣本數據以及選擇膨脹向量的方法，獲得膨脹向量的表達式；再根據獲得的膨脹向量的表達式、基本核矩陣K以及步驟二所獲得的碎片的三維表面特徵向量，並利用核優化準則，計算並獲得數據相關核函數
的膨脹係數向量；
步驟三三、利用步驟三二獲得的數據相關核函數
的膨脹係數向量，構造並獲得數據相關核函數
及數據相關核矩陣
步驟三四、根據步驟三三獲得的數據相關核函數
及數據相關核矩陣
並利用Fisher準則，計算並獲得M個核判別向量，其中M在數值上等於核優化判別分析特徵向量的維數；
步驟三五、根據步驟三四獲得的核判別向量、數據相關核函數
以及數據相關核矩陣
計算並獲得核優化判別分析特徵向量。
6.根據權利要求5所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟三二所述的給定訓練樣本數據，並根據給定的訓練樣本數據以及選擇膨脹向量的方法，獲得膨脹向量的表達式的具體過程為
給定訓練樣本數據z0(1)，z0(2)，...，z0(n)，其中n表示訓練樣本數據中包含的數據個數，由選擇膨脹向量的方法獲得膨脹向量的表達式為
其中，z1、z2為輸入參變量，Δ為根據先驗知識事先選定的常數。
7.根據權利要求5所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟三二所述的根據獲得的膨脹向量的表達式、基本核矩陣K以及步驟二所獲得的碎片的三維表面特徵向量，並利用核優化準則，計算並獲得數據相關核函數
的膨脹係數向量的具體過程為根據膨脹向量的表達式e(z1，z2)，其中z1、z2為輸入參變量，構造矩陣E
構造矩陣B
式中，L為訓練樣本數據中所包含的類別數，n1、n2、...、nL分別為訓練樣本數據中每一種類別所包含的數據的個數，且n1+n2+...+nL＝n，Ktt為t×t的對角矩陣，其中t＝1，2，...，L，，K為n×n的矩陣；構造矩陣W
式中，k11、k22、...、knn分別為K的主對角線元素；
令J1(α)＝αTETBEα，J2(α)＝αTETWEα，JFisher＝J1/J2，其中，α為數據相關核函數
的膨脹係數向量，然後利用如下迭代公式求解並獲得α
其中，
表示第i4次迭代計算後獲得的α，
表示第i4-1次迭代計算後獲得的α，ε為學習率，
i4和N分別表示當前迭代次數以及事先確定的迭代總次數，ε0為初始學習率。
8.根據權利要求5所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟三四所述內容的具體過程為
根據Fisher準則依次計算並獲得核判別向量β1和
i5＝2，...，M，M在數值上等於核優化判別分析特徵向量的維數，β1等於使
達到最大值的β值，
等於除去β1、β2、...、
之外能夠使
達到最大值的β值；其中，G＝diag(G1，G2，...，GL)，
為元素
的
矩陣，i6＝1，2，...，L。
9.根據權利要求5所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟三五所述內容的具體過程為
令β1，β2，...，βM表示步驟三四獲得的M個核判別向量，則令Aopt＝[β1，β2，...，βM]，得核優化判別分析特徵向量為
其中z5為步驟二獲得的碎片的三維表面特徵向量。
10.根據權利要求1所述的基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，其特徵在於步驟四所述內容的具體過程為
逐一計算訓練樣本數據中每一種類別數據的平均值，選定相似量度表達式，分別計算步驟三獲得的核優化判別分析特徵向量與所屬每一種類別數據的平均值的相似量度值，並在計算所得的所有相似量度值中找出最大的相似量度值，則該最大的相似量度值所對應的數據的類別即為該碎片的類別。
全文摘要
基於直方圖特徵核優化判別分析的三維碎片的類別檢測方法，它涉及一種三維碎片的類別檢測方法，它解決了目前三維碎片的類別檢測方法存在檢測不準確的問題。本發明的類別檢測方法的過程為對待檢測的碎片進行掃描，得到所述碎片的三維表面數據；對步驟一獲得碎片的三維表面數據進行特徵提取，得到碎片的三維表面特徵向量；對步驟二獲得的碎片的三維表面特徵向量進行核優化判別分析，獲得核優化判別分析特徵向量；利用最鄰近分類法對步驟三獲得的核優化判別分析特徵向量進行類別檢測，獲得碎片的類別。本發明克服了已有技術的不足，能夠準確地對三維碎片的類別進行檢測，能夠應用於三維碎片的類別檢測、分類等技術領域。
文檔編號G06K9/62GK101710388SQ20091021743
公開日2010年5月19日 申請日期2009年12月28日 優先權日2009年12月28日
發明者李君寶, 俞龍江, 孫震, 孫聖和 申請人:哈爾濱工業大學