基于表面及空间特征的人体模型结构分析*

结构特征在仿射变换中具有极强的稳定性,可有效避免形状识别的二义性,文中提出融合模型的表面几何特征以及空间体特征的人体模型结构分析方法.针对表面测地线距离方法描述局部形状特征的局限性,引入模型的内部体积分析方法,并将模型的内部空间结构与表面形状特征融合,实现人体模型的结构检测和分割.该方法不仅有效提高模型形状分析的稳定性与适用性,而且增强提取形态骨架的精确性,可进一步应用于模型识别与检索领域中.     

基于特征矩阵相似性度量的形状对应性分析

针对快速、高效的三维模型形状分析与匹配技术的迫切需求,提出了融合内蕴热核特征与局部体积特征的三维模型对应形状分析方法。首先,通过拉普拉斯映射以及热核分布提取模型的内蕴形状特征;其次,结合模型热核特征的稳定性与局部空间体积的显著性,建立特征匹配矩阵;最后,通过特征矩阵相似性度量及最短路径搜索实现模型的配准与形状匹配分析。实验结果表明,融合热核距离以及局部体积约束的形状分析方法不仅有效地提高了模型匹配的效率,而且能够有效地识别同一类模型的结构特征,可以应用于进一步实现多组模型的协同分割与模型检索。     

基于OpenGL的战斗部结构可视化系统

该文首先建立三种不同头部形状的半穿甲战斗部特征模型，通过这些模型能够实现战斗部参数化设计，然后结合OpenGL技术，分析了半穿甲战斗部可视化系统的设计和实现，包括可视化系统的总体框架和可视化建模技术，特别给出了旋转结构体的可视化建模技术。最后，利用数值积分方法，对半穿甲战斗部的特征参数进行计算，其特征参数主要包括壳体和炸药的质量、质心和体积。并实现了系统可视化，给出了某一种战斗部的可视化示例和相应的验证模型。     

融合语义与几何特征的人体模型结构分割*

针对现有三维人体模型形状分析方法存在人工干预及对姿势依赖的问题,提出一种融合语义与几何特征的三维人体形状分析方法。首先,基于模型表面测地线距离以及内部空间体积特征的度量,提出了基于骨架树的结构检测方法;其次,基于人体测量学先验语义知识,进一步提炼模型的层次结构。该方法能有效的提取不同姿态人体模型的结构特征,并实现基于语义的模型分割,一系列实验结果验证了该方法的高效性与鲁棒性。     

探索性分析方法及其关键技术

探索性分析方法是Rand公司在战略分析中总结得出的一种系统分析方法，它以层次化分析建模、模型抽象与聚合、主动元模型、仿真结果数据可视化等关键技术为支撑。探索性分析方法从系统所包含的不确定性因素出发，通过模型抽象和聚合建立系统层次化变分辨率低分辨率动态模型，调整不同的不确定性因素，通过对结果数据进行可视化交互式分析来观察和比较系统的行为变化，从而全面认识不确定性因素对结果的影响。探索性分析方法在深入研究特定的系统内部细节之前，通过对想定空间的快速大范围探索，能给出对问题的鲁棒、自适应和灵活的解，从而获得对系统的全面认识。     

体积图控制的近似刚性的网格变形

现有的形状变形方法大多只关注变形的实时性、保细节性以及交互的灵活性,往往忽视了模型内部的刚性,导致变形过程中不合理的体积变化,进而网格表面的细节难以继续保持.为此,提出一种基于体积图的近似刚性的网格变形方法来约束变形过程中体积的变化.首先构建模型的简单体积图,然后分别在模型表面、内部和体积图边界建立变形单元并根据其不同的类别设计不同的变形权重,最后使用近似刚性的方法实现既保细节又整体近似刚性的变形;另外,文中还对模型加入了材质属性,使得用户可以方便地控制局部的形变.实验结果表明,文中方法操作简单、实用性强.     

医学图像三维重建模型的剖切与立体视窗剪裁

基于医学图像三维重建是医学图像可视化和医疗放射治疗放射治疗规划的基础，在人体多组织器官的重建及可视化中，为地重建组织的截面形状进行分析，观察内部组织的结构及空间位置，需要对重建模型施以剖切及对外表模型进行立体剪裁，针对医学图像重建的表面几何模型，提出对模型进行剖切及开窗的一种方法，该方法用剖切面或剖切体对重建模型施以剖切，在剖切面上生成边序列及顶点序列，由此边序列和顶点序列生成封闭的边界轮廓，确定各轮廓的包含关系，对封闭轮廓包围面区域进行Delaunay三角部分，得到完整的剖切后的表面模型，模型被剖切或开窗，可以方便地看到内部的组织，便于观察和诊断。     

Laplacian多特征映射的三维模型形状分析

面向三维模型的统一结构描述与智能检索的技术需求,提出一种Laplacian多特征映射的三维模型形状分析方法.首先提取三维模型的表面形状与体积特征,建立融合测地线距离、角距离和空间体积的多特征相似度矩阵;其次根据Laplacian特征映射算法实现三维模型由空域到谱域的转换以及多谱特征分析;最后通过对Laplacian矩阵特征值之间的本征间隙自适应确定聚类数目,并结合K-means聚类方法实现模型的自动结构识别与分割.实验结果表明,在同一类模型的结构特征提取与统一分割应用中,该方法是高效、鲁棒的,对于实现模型的高层次语义描述、模型配准以及模型检索具有重要的意义.     

高维数据聚类可视分析方法综述

数据聚类的可视分析方法利用可视化与交互技术帮助用户对聚类过程与结果进行 多角度分析,从而发现数据内部隐藏的结构和关系。但由于高维数据自身的“维度诅咒”问题 使得聚类分析面临着许多挑战,例如模型参数设定、数据特征捕捉、结果解释以及可视化展现 等。本文从高维数据聚类过程中遇到的问题出发,首先总结了高维数据聚类过程中常用的数据 处理方法并对其性能进行了比较,这些方法能够较好地解决“维度诅咒”问题,帮助用户挖掘 数据中存在的聚类模式。在分析和理解不同聚类结果中包含的数据内部结构和规律时,由于前 期采取的数据处理方法不同,因此需要采取不同的探索分析策略,所以本文将近10 年来高维数 据聚类的可视分析方法分为2 大类进行总结,即基于降维的聚类可视分析方法和基于子空间聚 类的可视分析方法。最后对该领域目前存在的机遇与挑战进行了讨论。     

基于可伸缩矢量图形的手绘几何图形结构分析方法

复杂图形通常是由多个图元按一定几何关系构成,以基本图形的识别为基础,复杂图形识别重点在于图形元素之间的空间关系模式的判定。几何图形的图元构成复杂,难以直接利用启发式规则进行识别;而现有的结构分析方法太复杂,采用传统方法难以进行有效识别。针对手绘几何图形识别中结构分析这一核心技术问题,设计了一种几何图形结构描述模型,该模型通过对图元及其约束关系的形式化描述来表示图形,使用可伸缩矢量图形(SVG)标签存储图元及其约束,通过解析SVG标签来识别几何图形的形状及其内部关系,为图形结构分析提供了统一格式的表示方法。所提方法已经过自主开发的GeoSketch系统的验证,并取得良好效果。实验结果表明:该方法简洁、低维,方便进行图形形状及内部关系的判定。     

基于期望首达时间的形状距离学习算法

由于逐对形状匹配不能很好地反映形状间相似度,因此需要引入后期处理步骤提升检索精度. 为了得到上下文敏感的形状相似度,本文提出了一种基于期望首达时间（Mean first-passage time,MFPT）的形状距离学习方法. 在利用标准形状匹配方法得到距离矩阵的基础上,建立离散时间马尔可夫链对形状流形结构进行分析.将形状样本视作状态,利用不同状态之间完成一次状态转移的平均时间步长,即期望首达时间,表示形状间的距离.期望首达时间能够结合测地距离发掘空间流形结构,并可以通过线性方程进行有效求解.分别对不同数据进行实验分析,本文所提出的方法在相同条件下能够达到更高的形状检索精度.     

基于测地距离的超像素分析算法

超像素分析指的是将数字图像细分为多个超像素的过程,旨在简化或改变图像的表示形式,使得图像更容易理解和分析.文章提出了一种基于测地距离的超像素分析算法,该算法采用引入代价函数的Fast Marching算法来计算像素点间的测地距离.将目标图像大致均匀地划分成k个初始长方形区域,在每个区域内选取局部密度最大的像素点作为种子...     

基于变形与测地距离一致性约束的3D面皮点对应

针对三维面皮生理点对应关系建立这一难题,充分考虑测地距离在描述复杂几何体表面形状方面的优势,提出了基于变形与测地距离一致性约束的3D面皮生理点对应方法。首先在Frankfurt坐标变换后标定面皮特征点集,利用特征点对应关系进行TPS变形;然后根据特征点几何特征向量建立初始点对应关系集,并利用测地距离一致性约束对其进行修剪以生成对应关系核心集;最后扩展对应关系核心集,直至确定源模型上每一顶点的对应关系。实验表明,该方法提高了点对应关系准确度,可有效建立三维面皮生理点对应关系。     

三维人体点云模型多约束肢体分割

针对人体点云模型的肢体分割这一动作识别和虚拟重建领域的重要问题,提出了一种基于分类骨架线、测地距离、特征点和姿态分析的多约束肢体分割算法,通过生成点云模型的分类骨架线,配合测地距离获得人体各部位粗分割点云集,利用测地路径方法实现关键特征点的定位,并利用曲线拟合方式进行定位优化,针对头颈、上肢、下肢和躯干之间关联部位的解剖学特征,构造多种约束条件,对各部位粗分割点云集进行了优化再分割。实验结果表明,所提算法对站姿条件下的不同动作、不同体型、不同精度人体点云模型均能取得与视觉理解相吻合的分割效果。通过该算法得到的肢体各部分点云数据可用于姿态分析等后续研究。     

基于测地距离的形体分布算法

使用D2方法计算形体分布[1]算法时采用欧几里德距离计算,欧几里德距离是拓扑无关的。这里我们讨论一种使用测地距离来表示两点距离[21～24]。这种测地距离方法能表达出模型的拓扑关系,它和采用欧几里德距离可能各有不同的应用。     

Geodesic Matching with Free Extremities

In this paper, we describe how to use geodesic energies defined on various sets of objects to solve several distance related problems. We first present the theory of metamorphoses and the geodesic distances it induces on a Riemannian manifold, followed by classical applications in landmark and image matching. We then explain how to use the geodesic distance for new issues, which can be embedded in a general framework of matching with free extremities. This is illustrated by results on image and shape averaging and unlabeled landmark matching. Laurent Garcin is a former student of the Ecole Polytechnique. He obtained his Ph.D. in 2004 at the Ecole Normale de Cachan, working on matching methods for landmarks and images. He is an engineer at the French National Geographic Institute. Laurent Younes is a former student of the Ecole Normale Superieure in Paris. He was awarded the Ph.D. from the University Paris Sud in 1989, and the thesis advisor certification from the same university in 1995. He works on the statistical analysis of images and shapes, and on modeling shape deformations and shape spaces. Laurent Younes entered CNRS, the French National Research Center in October 1991, in which he has been a “Directeur de Recherche" until 2003. He is now a professor at the Department of Applied Mathematics and Statistics Department and the Center for Imaging Science at Johns Hopkins University in July 2003.     

A Part-aware Surface Metric for Shape Analysis

The notion of parts in a shape plays an important role in many geometry problems, including segmentation, correspondence, recognition, editing, and animation. As the fundamental geometric representation of 3D objects in computer graphics is surface-based, solutions of many such problems utilize a surface metric, a distance function defined over pairs of points on the surface, to assist shape analysis and understanding. The main contribution of our work is to bring together these two fundamental concepts: shape parts and surface metric. Specifically, we develop a surface metric that is part-aware. To encode part information at a point on a shape, we model its volumetric context – called the volumetric shape image (VSI) – inside the shape's enclosed volume, to capture relevant visibility information. We then define the part-aware metric by combining an appropriate VSI distance with geodesic distance and normal variation. We show how the volumetric view on part separation addresses certain limitations of the surface view, which relies on concavity measures over a surface as implied by the well-known minima rule. We demonstrate how the new metric can be effectively utilized in various applications including mesh segmentation, shape registration, part-aware sampling and shape retrieval.     

Deformation similarity measurement in quasi-conformal shape space

This paper presents a novel approach based on the shape space concept to classify deformations of 3D models. A new quasi-conformal metric is introduced which measures the curvature changes at each vertex of each pose during the deformation. The shapes with similar deformation patterns follow a similar deformation curve in shape space. Energy functional of the deformation curve is minimized to calculate the geodesic curve connecting two shapes on the shape space manifold. The geodesic distance illustrates the similarity between two shapes, which is used to compute the similarity between the deformations. We applied our method to classify the left ventricle deformations of myopathic and control subjects, and the sensitivity and specificity of our method were 88.8% and 85.7%, which are higher than other methods based on the left ventricle cavity, which shows our method can quantify the similarity and disparity of the left ventricle motion well.