三维信息中形状基元的识别、提取及应用

Efficiency and high precision in 3D modeling is an important challenge in multimedia information processing, virtual reality, reverse engineering, and others. The basic idea of this project is to segment and label the entity objects in 3D model by machine learning techniques. The 3D shape primitives are detected and extracted by using RANSAC and manifold learning, and the similarity regularities and basically similar units are extracted through clustering of the 3D data set. Then the hierarchical structure is created based on shape primitives or basically similar units, according to the topological perception theory and the top-down integrity of visual cognition in this project. The hierarchical structure is adopted as an understanding and an efficient expression of the 3D information of objects or scenes, and this understanding and expression are consistent to the graphical cognitive level. Such a hierarchical structure is also conducive to efficient reconstruction, rendering, and editing of the corresponding 3D shape information. The main research contents of this project are: quick and accurate extraction of shape primitives and similarity regularities, hierarchical structure analysis based on the shape primitives, and 3D reconstruction based on the hierarchical structure. The main innovations are rapid and accurate extraction of shape primitives, efficient extraction of similarity regularities in the 3D model, the construction of hierarchical structure for 3D models based on shape primitives, similarity regularities and basically similar units. The technical difficulties are how to quickly and accurately extract shape primitives and similarity regularities, to construct hierarchical structure consistent to the basic principles of the information awareness organization and classification fusion of visual perception information.

3D建模的高效性和高精细性是多媒体信息处理、虚拟现实、逆向工程等研究中的一个亟待解决的技术挑战。本项目根据拓扑知觉理论，按照视觉认知自顶向下的整体性，利用机器学习分割与标注3D模型中的实体对象，采用RANSAC、流形学习等方法识别与提取3D形状基元，通过高维数据集聚类等提取相似性规则和基本相似单元，建立基于形状基元或基本相似单元的层级结构，实现3D对象或场景三维信息的与图形认知层次一致的理解和高效表达。有利于实现相应三维信息的高效重建、渲染、编辑等。主要研究形状基元和相似性规则的准确快速提取、基于形状基元的层级结构分析、基于层级结构的3D重建等。主要创新是快速、准确的形状基元提取方法；3D模型相似性规则的高效提取方法；基于形状基元、相似性规则及相似基本单元的3D模型层次结构的构建等。技术难点是如何准确快速地提取形状基元和相似性规则、构建符合视知觉信息感知组织和分类融合基本原理的层级结构。

3D建模的高效性和高精细性是多媒体信息处理、虚拟现实、逆向工程等研究中的一个亟待解决的技术挑战。本项目针对这一问题，经过四年的研究，提出了多个创新性的技术方法。在形状基元的提取中，目前已经有一些经典和常用的方法，例如利用3D Hough变换提取点云数据中的圆柱面、利用RANSAC算法提取形状基元等等。在研究中我们发现，如果有了高质量的网格或者点云，那么就可以有效提高已有提取形状基元方法的速度、稳定性和适应范围。因此在本课题执行过程中，我们对采样算法进行了深入的研究，并提出了基于空隙处理的变半径最大化泊松圆盘采样、基于最远点优化的蓝噪声采样及网格生成、对等值面进行采样及高质量三角网格生成等方法和算法，这些方法和算法达到了国际领先的水平，并且在国际顶级刊物ACM SIGGRAPH、TVCG、Computer Graphics Forum、CAGD等以及国际顶级会议上发表。在提取相似性规则、基本相似单元提取以及层级结构分析方面，我们提出了检测特征网络来实现面片布局的生成方法、未知负载下三维打印的全局刚性结构优化方法、引入了揭示语义场景形状结构的理解场景形状基元的一个方法，并且用形状元素表示场景等。在基于形状基元的层级结构分析以及3D重建方面，我们提出了基于形状特征分析的三维复杂装配体自动拆卸方法等。在逆向建模中，我们还提出了一个语法解析方法，能够自动地对提取得到的语法规则进行推导分析，最后生成系列相应的三维建筑模型。我们采用三维激光扫描单侧数据，提出一种数据驱动的树木建模方法。我们通过优化的方法来刻画一个局部的好的布局空间，并且将不同的局部空间连接起来，形成一个全局的布局空间，实现了一个交互的建模系统来支持针对布局空间的全局/局部的探索。以上这些研究，都为我们进一步深入研究基于形状基元的层级结构分析和以此为基础的三维重建奠定了一个良好的基础。