針對三維CAD模型檢索中的語義鴻溝問題，提出一種基于局部形狀分布及語義概率統(tǒng)計的三維CAD模型自動語義標注算法。采用基于局部形狀分布的多尺度特征提取方法獲取CAD模型的形狀信息，并計算不同模型之間的形狀相似度;根據(jù)模型樣本庫中已知的語義分類信息，構(gòu)建一個基于概率的標注框架對CAD模型進行語義標注，以建立模型形狀信息和語義信息之間的聯(lián)系。實驗結(jié)果表明，該算法能夠有效提高三維CAD模型檢索的準確率，檢索性能優(yōu)于僅使用形狀信息時的檢索結(jié)果。

　　引言

　　隨著三維建模技術的日益成熟，三維計算機輔助設計(Computer　Aided　Design，CAD)模型憑借其可視化、數(shù)字化和虛擬化等優(yōu)點，已經(jīng)逐步取代傳統(tǒng)的二維工程圖，成為產(chǎn)品設計和制造領域中不可或缺的信息載體。面對企業(yè)在產(chǎn)品開發(fā)過程中積累的大量三維模型，如何幫助使用者快速、準確地檢索到目標模型，實現(xiàn)對企業(yè)模型資源的有效管理和重用，進而幫助企業(yè)提高設計效率、縮短產(chǎn)品研發(fā)周期，已經(jīng)成為當前產(chǎn)品設計和制造領域的研究熱點。

　　基于內(nèi)容的三維模型檢索技術借助模型的形狀信息，如幾何屬性、拓撲結(jié)構(gòu)和投影輪廓等，來直接建立模型的索引并進行檢索，該技術突破了關鍵詞和編碼等傳統(tǒng)檢索方式的局限，因此倍受研究人員的關注。由Kazhdan等提出的球面諧波算法利用一組球面諧波基函數(shù)來表示三維模型的形狀信息，并以基函數(shù)的系數(shù)集合作為模型的特征向量。球面諧波算法對模型的噪聲和退化具有較好的魯棒性，但該算法對模型的處理過程比較復雜，運算量較大。Osada等提出的形狀分布算法，將三維模型表面任意兩個隨機采樣點之間的歐式距離作為模型的形狀函數(shù)，通過統(tǒng)計距離數(shù)值的分布情況，將三維模型表示為相應的形狀函數(shù)分布直方圖。形狀分布算法具有原理簡單、計算高效、所提取的形狀特征與模型的姿態(tài)無關等優(yōu)勢，但是由于統(tǒng)計樣本的單一化，該算法對外形復雜的三維模型區(qū)分效果欠佳。IP等對形狀分布算法進行了改進，將隨機采樣點對依據(jù)其連線與模型表面的位置關系進行分類，以反映三維模型表面的凹凸信息。WANG等提出一種基于法向分類的形狀分布算法，該算法利用模型表面采樣點的法線方向?qū)⒉蓸狱c分為三類，并用相應的三個形狀分布曲線來表示模型，以提高對模型形狀信息的描述能力。

　　隨著對基于內(nèi)容的三維模型檢索技術研究的深入，研究人員發(fā)現(xiàn)：在工程領域，由于模型自身的形狀信息和設計人員所理解的模型語義信息(如功能、用途等)之間往往存在語義鴻溝，僅憑借模型的形狀信息并不能有效地支持工程應用過程中的檢索需求。雖然相關反饋技術通過在檢索過程中對用戶意圖的記錄能夠在一定程度上緩和上述語義鴻溝問題，但因該技術需要進行頻繁的人機交互而增加了使用者的負擔。Goldfeder與ZHANG等采用主動學習的模式，利用模型樣本庫中的語義分類計算相似模型共享語義標簽的概率，建立起模型形狀信息和語義信息之間的聯(lián)系，該方法的準確度依賴于對語義標簽先驗概率的設置。Ohbuchi等基于流形排序算法對三維模型進行語義標注，由于流形排序的計算效率較低，該方法只適用于小規(guī)模的模型數(shù)據(jù)庫。WANG等提出一種基于差異特征協(xié)同語義標注的三維模型檢索算法。由于使用支持向量機對模型進行分類以獲取模型的語義信息，該算法依賴于對支持向量機相關參數(shù)(如核函數(shù))的選取與學習。針對目前三維模型檢索研究存在的這些問題，本文提出一種基于局部形狀分布及語義概率統(tǒng)計的三維CAD模型自動語義標注算法，通過賦予模型相應的語義標簽，建立起模型形狀信息和語義信息之間的聯(lián)系，以提高三維模型檢索的準確率。本文以STL文件格式表示的多邊形網(wǎng)格CAD模型作為研究對象，首先使用局部形狀分布算法提取CAD模型的形狀特征信息，并計算CAD模型之間的形狀相似度;然后依據(jù)樣本集中的語義分類信息，利用概率統(tǒng)計的方法對模型進行自動標注。

1、三維CAD模型的特征提取

　　從使用效果來看，文獻中的形狀分布算法所提取的模型特征更側(cè)重于三維CAD模型的整體形狀信息，而對模型的局部細節(jié)描述不足。但在工程應用中，使用者往往不僅需要找到整體外形相似的CAD模型，還要求檢索結(jié)果能夠反映模型局部細節(jié)之間的相似性，以便更好地支持對已有模型資源的參考和重用�；�于此，本文提出一種基于局部形狀分布的三維CAD模型多尺度特征提取方法，通過構(gòu)建模型在其不同尺度子區(qū)域上的局部形狀分布直方圖并用于模型間的相似性比較，使檢索結(jié)果能夠更完整地反映模型之間的相似性差異。總體思路如圖1所示。首先在三維CAD模型表面隨機選取固定數(shù)目的采樣點，對于每一個采樣點，計算該點與其他各點之間的歐式距離。根據(jù)計算結(jié)果，找出所有位于該采樣點鄰域內(nèi)的其他點，并統(tǒng)計該區(qū)域內(nèi)中心與其余各點距離數(shù)值的分布情況，構(gòu)建模型在該區(qū)域內(nèi)的局部形狀分布直方圖。該局部形狀分布直方圖反映了CAD模型在以采樣點為中心的子區(qū)域內(nèi)的局部形狀信息。最后，通過在不同尺度下匹配模型各自對應的局部形狀分布直方圖，獲得CAD模型之間的相似性評價。

4、結(jié)束語

　　本文提出一種基于局部形狀分布及語義概率統(tǒng)計的三維CAD模型自動語義標注算法。該算法對CAD模型采用基于局部形狀分布的多尺度特征提取方法，與傳統(tǒng)的形狀分布算法相比，能夠更完整地體現(xiàn)模型之間的形狀相似性差異。在對模型進行語義標注時，該算法根據(jù)樣本庫中已有的語義信息，構(gòu)建了一個基于概率統(tǒng)計的標注框架，較好地解決了形狀信息和語義信息間的關聯(lián)問題。實驗結(jié)果顯示，本文算法能夠有效提高三維CAD模型檢索的準確率，檢索性能優(yōu)于僅使用形狀信息時的檢索結(jié)果。本文算法的不足在于所使用的語義信息僅來自于三維模型在數(shù)據(jù)庫中的分類情況，對用戶查詢意圖的支持仍是有限的;如何利用更深層次的語義信息(如設計知識、相關屬性等)實現(xiàn)模型資源的重用，將是下一步研究的重點。此外，在提取模型局部形狀分布信息時，如何實現(xiàn)局部尺度的自適應設置，以更準確地記錄模型的形狀信息，也是今后需要考慮的問題。