第9卷第1期 智能系统学报 Vol.9 No.1 2014年2月 CAAI Transactions on Intelligent Systems Feb.2014 D0:10.3969/j.issn.1673-4785.201305004 网s络出版地址：http:/www.cmki.net/kcms/doi/10.3969/j.issn.1673-4785.201305004.html 一种三维模型最优视图的分类选择方法 李晨曦，孙正兴，宋沫飞，章菲倩 (南京大学计算机软件新技术国家重点实验室，江苏南京210093) 摘要：为了三维模型数据集的可视化展示和缩略图的自动化生成，提出了一种三维模型最优视图选择方法，将最 优视图选择归结为评价视图分类性能的问题。首先提取三维模型每个视图的特征，然后在预先分好类的三维模型 集上，对每个视图训练分类器评价视图分类性能，选择具有最佳分类性能的视图作为最优视图。实验结果表明，选 择出的视图符合人的视觉习惯，而且相同类别的模型具有一致的最优视图，证明了所提方法对于三维模型最优视图 选择的有效性。 关键词：三维模型；可视化：最优视图选择；评价视图：分类；分类选择方法 中图分类号：TP391文献标志码：A文章编号：1673-4785(2014)01-0012-07 中文引用格式：李晨曦，孙正兴，宋沫飞，等.一种三维模型最优视图的分类选择方法[J】.智能系统学报，2014,9(1)：12-18. 英文引用格式：LI Chenxi,SUN Zhengxing,SONG Mofei,,etal.A classification-based approach for best view selection of3Dmod- els[J].CAAI Transactions on Intelligent Systems,2014,9(1):12-18. A classification-based approach for best view selection of 3D models LI Chenxi,SUN Zhengxing,SONG Mofei,ZHANG Feiqian (State Key Lab for Novel Software Technology,Nanjing University,Nanjing 210093,China) Abstract:For automatic generation of the visualization and thumbnails of the 3D model set,an approach for best view selection of the 3D models is proposed,and this approach formulates the best view selection as a problem of e- valuating views'classification performance.Initially each of the 3D models'view features is extracted,then for each view,we train the classifier that evaluates the view's classification performance on a pre-classified set of 3D models. The view with the best classification performance is chosen as the best option.Finally,the selected views in the ex- periments are in accordance with the visual characteristics of humans,and the 3D models of the same class have the consistent best views.The results demonstrate the effectiveness of the approach for the best view selection. Keywords:3D model;visualization;best view selection;view ranking;classification;classification-based ap- proach 计算机技术的发展使得三维模型得到了广泛应 过程中，应该选用最优视图作为缩略图来展示各个 用，为了有效地利用由此产生的大量三维模型，需要 三维模型。人类能够合理地选择视点位置，得到三 高效的浏览与认知手段。根据成像原理以及Mar 维模型的最优视图，但是对于大量的三维模型来说， 创立的视觉计算理论)]，三维模型需要映射到二维 完全由人工选择是不可行的。而且最优视图与人类 视图后，才能被人类浏览和认知。Blaz等)论证了 的感知有关，难以确切地给出最优视图严格的数学 人类对物体的认知依赖于视点位置，而使得人类能 定义，因而近年来不同的研究者提出了多种最优视 够最好地认知和理解三维模型的二维视图，被称为 图的定义以及相应方法。 该三维模型的最优视图。在三维模型数据集的浏览 一种是将二维视图的优劣定义为一个三维模型 与视图相关的函数，使得该函数取得最大值的视图 收稿日期：2013-05-03.网络出版日期：2014-02-20. 就是最优视图们。有很多方法基于这个定义，包括 基金项目：国家“863”计划资助项目(2007AA01Z334):国家自然科学 基金资助项目(61272219,61100110,61021062)：江苏省科 场景复杂性)、几何特征分布[)、距离直方图的香 技计划资助项目(BE2010072,BE2011058,BY2012190). 农嫡6]等直接分析三维模型几何特征的方法，以及 通信作者：孙正兴.E-mail:sx@nju.cd.cn. 最小化对称性)、相似性劉，或者最大化视点熵)
第 ９ 卷第 １ 期 智 能 系 统 学 报 Ｖｏｌ．９ №．１ ２０１４ 年 ２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｆｅｂ． ２０１４ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３－４７８５．２０１３０５００４ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｏｉ ／ １０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０５００４．ｈｔｍｌ 一种三维模型最优视图的分类选择方法 李晨曦，孙正兴，宋沫飞，章菲倩 （南京大学 计算机软件新技术国家重点实验室，江苏 南京 ２１００９３） 摘 要：为了三维模型数据集的可视化展示和缩略图的自动化生成，提出了一种三维模型最优视图选择方法，将最 优视图选择归结为评价视图分类性能的问题。 首先提取三维模型每个视图的特征，然后在预先分好类的三维模型 集上，对每个视图训练分类器评价视图分类性能，选择具有最佳分类性能的视图作为最优视图。 实验结果表明，选 择出的视图符合人的视觉习惯，而且相同类别的模型具有一致的最优视图，证明了所提方法对于三维模型最优视图 选择的有效性。 关键词：三维模型；可视化；最优视图选择；评价视图；分类；分类选择方法 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１４）０１⁃００１２⁃０７ 中文引用格式：李晨曦，孙正兴，宋沫飞，等．一种三维模型最优视图的分类选择方法［Ｊ］． 智能系统学报， ２０１４， ９（１）： １２⁃１８． 英文引用格式：ＬＩ Ｃｈｅｎｘｉ， ＳＵＮ Ｚｈｅｎｇｘｉｎｇ， ＳＯＮＧ Ｍｏｆｅｉ， ｅｔ ａｌ． Ａ ｃｌａｓｓｉｆｉｃａｔｉｏｎ⁃ｂａｓｅｄ ａｐｐｒｏａｃｈ ｆｏｒ ｂｅｓｔ ｖｉｅｗ ｓｅｌｅｃｔｉｏｎ ｏｆ ３Ｄ ｍｏｄ⁃ ｅｌｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１４， ９（１）： １２⁃１８． Ａ ｃｌａｓｓｉｆｉｃａｔｉｏｎ⁃ｂａｓｅｄ ａｐｐｒｏａｃｈ ｆｏｒ ｂｅｓｔ ｖｉｅｗ ｓｅｌｅｃｔｉｏｎ ｏｆ ３Ｄ ｍｏｄｅｌｓ ＬＩ Ｃｈｅｎｘｉ， ＳＵＮ Ｚｈｅｎｇｘｉｎｇ， ＳＯＮＧ Ｍｏｆｅｉ， ＺＨＡＮＧ Ｆｅｉｑｉａｎ （Ｓｔａｔｅ Ｋｅｙ Ｌａｂ ｆｏｒ Ｎｏｖｅｌ Ｓｏｆｔｗａｒｅ Ｔｅｃｈｎｏｌｏｇｙ， Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｎａｎｊｉｎｇ ２１００９３， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆｏｒ ａｕｔｏｍａｔｉｃ ｇｅｎｅｒａｔｉｏｎ ｏｆ ｔｈｅ ｖｉｓｕａｌｉｚａｔｉｏｎ ａｎｄ ｔｈｕｍｂｎａｉｌｓ ｏｆ ｔｈｅ ３Ｄ ｍｏｄｅｌ ｓｅｔ， ａｎ ａｐｐｒｏａｃｈ ｆｏｒ ｂｅｓｔ ｖｉｅｗ ｓｅｌｅｃｔｉｏｎ ｏｆ ｔｈｅ ３Ｄ ｍｏｄｅｌｓ ｉｓ ｐｒｏｐｏｓｅｄ， ａｎｄ ｔｈｉｓ ａｐｐｒｏａｃｈ ｆｏｒｍｕｌａｔｅｓ ｔｈｅ ｂｅｓｔ ｖｉｅｗ ｓｅｌｅｃｔｉｏｎ ａｓ ａ ｐｒｏｂｌｅｍ ｏｆ ｅ⁃ ｖａｌｕａｔｉｎｇ ｖｉｅｗｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ． Ｉｎｉｔｉａｌｌｙ ｅａｃｈ ｏｆ ｔｈｅ ３Ｄ ｍｏｄｅｌｓ ｖｉｅｗ ｆｅａｔｕｒｅｓ ｉｓ ｅｘｔｒａｃｔｅｄ， ｔｈｅｎ ｆｏｒ ｅａｃｈ ｖｉｅｗ， ｗｅ ｔｒａｉｎ ｔｈｅ ｃｌａｓｓｉｆｉｅｒ ｔｈａｔ ｅｖａｌｕａｔｅｓ ｔｈｅ ｖｉｅｗｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｏｎ ａ ｐｒｅ⁃ｃｌａｓｓｉｆｉｅｄ ｓｅｔ ｏｆ ３Ｄ ｍｏｄｅｌｓ． Ｔｈｅ ｖｉｅｗ ｗｉｔｈ ｔｈｅ ｂｅｓｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｉｓ ｃｈｏｓｅｎ ａｓ ｔｈｅ ｂｅｓｔ ｏｐｔｉｏｎ． Ｆｉｎａｌｌｙ， ｔｈｅ ｓｅｌｅｃｔｅｄ ｖｉｅｗｓ ｉｎ ｔｈｅ ｅｘ⁃ ｐｅｒｉｍｅｎｔｓ ａｒｅ ｉｎ ａｃｃｏｒｄａｎｃｅ ｗｉｔｈ ｔｈｅ ｖｉｓｕａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｈｕｍａｎｓ， ａｎｄ ｔｈｅ ３Ｄ ｍｏｄｅｌｓ ｏｆ ｔｈｅ ｓａｍｅ ｃｌａｓｓ ｈａｖｅ ｔｈｅ ｃｏｎｓｉｓｔｅｎｔ ｂｅｓｔ ｖｉｅｗｓ． Ｔｈｅ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ａｐｐｒｏａｃｈ ｆｏｒ ｔｈｅ ｂｅｓｔ ｖｉｅｗ ｓｅｌｅｃｔｉｏｎ． Ｋｅｙｗｏｒｄｓ：３Ｄ ｍｏｄｅｌ； ｖｉｓｕａｌｉｚａｔｉｏｎ； ｂｅｓｔ ｖｉｅｗ ｓｅｌｅｃｔｉｏｎ； ｖｉｅｗ ｒａｎｋｉｎｇ； ｃｌａｓｓｉｆｉｃａｔｉｏｎ； ｃｌａｓｓｉｆｉｃａｔｉｏｎ⁃ｂａｓｅｄ ａｐ⁃ ｐｒｏａｃｈ 收稿日期：２０１３⁃０５⁃０３． 网络出版日期：２０１４⁃０２⁃２０． 基金项目：国家“８６３”计划资助项目（２００７ＡＡ０１Ｚ３３４）；国家自然科学 基金资助项目（ ６１２７２２１９，６１１００１１０，６１０２１０６２）；江苏省科 计算机技术的发展使得三维模型得到了广泛应 用，为了有效地利用由此产生的大量三维模型，需要 高效的浏览与认知手段。 根据成像原理以及 Ｍａｒｒ 创立的视觉计算理论［１］ ，三维模型需要映 通信作者：孙正兴． Ｅ⁃ｍａｉｌ： ｓｚｘ＠ ｎｊｕ．ｅｄｕ．ｃｎ． 射到二维 视图后，才能被人类浏览和认知。 Ｂｌａｎｚ 等［２］论证了 人类对物体的认知依赖于视点位置，而使得人类能 够最好地认知和理解三维模型的二维视图，被称为 该三维模型的最优视图。 在三维模型数据集的浏览 过程中，应该选用最优视图作为缩略图来展示各个 三维模型。 人类能够合理地选择视点位置，得到三 维模型的最优视图，但是对于大量的三维模型来说， 完全由人工选择是不可行的。 而且最优视图与人类 的感知有关，难以确切地给出最优视图严格的数学 定义，因而近年来不同的研究者提出了多种最优视 图的定义以及相应方法。 一种是将二维视图的优劣定义为一个三维模型 与视图相关的函数，使得该函数取得最大值的视图 就是最优视图［３］ 。 有很多方法基于这个定义，包括 场景复杂性［４］ 、几何特征分布［５］ 、距离直方图的香 农熵［６］等直接分析三维模型几何特征的方法，以及 最小化对称性［７］ 、相似性［８］ ，或者最大化视点熵［９］ 、 技计划资助项目(BE2010072，BE2011058，BY2012190)
第1期 李晨曦，等：一种三维模型最优视图的分类选择方法 ·13. 形状差异o)等对二维视图投影进行特征分析的方 ZMD)来描述二维视图的特征，提取三维模型视图 法[。但是三维模型种类多样，在这种定义下难以 在二维形状空间中的几何特征； 有适用于所有种类三维模型的视图评价函数。这些 4)在训练阶段，针对三维模型的每个视图特征 方法也不考虑在视觉上对模型加以区别，这样就难 使用随机森林算法训练分类器，并进行交叉验证，得 以保证同类模型具有人类感官上相似的最优视图， 到以该视图特征描述模型时的分类错误率； 因此，这些方法不适用于对三维数据集的高效浏览。 5)最后选择使得分类错误率最小的视图作为 另外一种定义基于如下假设：属于相同类别的 最优视图。 三维模型具有相似的特征，这些特征使得属于不同 1.2三维模型预处理 类别的模型能够相互区分，同类模型的最优视图也 为了后续处理的方便，首先需要对输入的三维 具有相似性。一个三维模型的最优视图就是能区分 模型进行预处理。由于三维模型方向的不确定性， 该模型与其他类别模型的视图]，这样可以联系到 为了减小对二维视图的影响，需要对三维模型进行 数据集中的上下文信息以及数据集中所属类别的语 校正和归一化。尽管已有大量的相关研究，但是大 义信息，使得语义信息与几何信息建立关联，而这在 部分方法仅适合人造物体1]，自动寻找任意三维模 前一种定义中是被忽视的。这样三维模型的最优视 型合适的竖直方向仍然是很困难的。本文采用简单 图选择问题就可以划归为评价视图分类能力问题。 而快速的主成分分析(principal component analysis, 由此，最优视图随着数据集和分类的不同而变化，这 PCA)方法计算得到模型的主轴方向，以此为模型所 更加适合于三维数据集的高效浏览。 在坐标系的各个坐标轴方向，从而使得模型处于一 1 最优视图选择方法 致的姿态。最后将模型上的各个顶点到质心的距离 进行归一化，得到经过姿态校正以及归一化的三维 1.1方法概述 模型。 图1所示为本文方法的流程。 此外，如果某些三维模型没有类别标记，那么就 采样得到三维 需要判断其类别。这个问题在三维模型检索中得到 模型的二维视图 了大量的研究，本文采用Vranic等[4]提出的由l86 维的深度视图特征、150维的轮廓特征、136维的射 提取二维视图 线特征组成的混合描述子作为三维模型的特征，使 的描述子 用已有数据集作为训练集进行有监督学习得到分类 器。使用该分类器对输入的模型进行分类，可以得 模型类别标签 训练 到输入模型的类别标记，将其作为数据集对应类别 的模型进行后续步骤处理。 对每个视图 1.3视图特征提取 得到分类器 1.3.1视图采样 本文的特征在二维视图上提取，需要取得三维 评价分类能力 模型的二维视图，首先是确定视点位置。由于视点 可以在三维空间中连续变化，需要对视图采样选取 得到最优视图 离散化视点，减小样本空间。 视，点的选取方法有经纬度法、随机法、伪均匀法 图1本文算法流程 等。经纬度法在两极处采样稠密、中部稀疏，增大了 Fig.1 The flow chart of our method 两极视点的采样率，会漏掉中部的视点，而随机法运 对于一个三维模型数据集来说，其具体流程 算量较大6。本文采用伪均匀法，以一个能够包住 如下。 三维模型的多面体顶点作为视点位置，如图2所示。 1)首先对三维模型数据集进行预处理： 这个多面体由正二十面体经过曲面细分得到，这样 2)采样每个三维模型不同视点下的视图； 可以得到均匀分布的视点，而且根据不同的需要可 3)使用傅里叶描述子(Fourier descriptor,FD) 以循环不同的次数来得到不同数量的视点位置。对 以及Zernike矩描述子(Zernike moment descriptor, 于数据集中每个三维模型M:,表面渲染为黑色，在
形状差异［１０］等对二维视图投影进行特征分析的方 法［１１］ 。 但是三维模型种类多样，在这种定义下难以 有适用于所有种类三维模型的视图评价函数。 这些 方法也不考虑在视觉上对模型加以区别，这样就难 以保证同类模型具有人类感官上相似的最优视图， 因此，这些方法不适用于对三维数据集的高效浏览。 另外一种定义基于如下假设：属于相同类别的 三维模型具有相似的特征，这些特征使得属于不同 类别的模型能够相互区分，同类模型的最优视图也 具有相似性。 一个三维模型的最优视图就是能区分 该模型与其他类别模型的视图［１２］ ，这样可以联系到 数据集中的上下文信息以及数据集中所属类别的语 义信息，使得语义信息与几何信息建立关联，而这在 前一种定义中是被忽视的。 这样三维模型的最优视 图选择问题就可以划归为评价视图分类能力问题。 由此，最优视图随着数据集和分类的不同而变化，这 更加适合于三维数据集的高效浏览。 １ 最优视图选择方法 １．１ 方法概述 图 １ 所示为本文方法的流程。 图 １ 本文算法流程 Ｆｉｇ．１ Ｔｈｅ ｆｌｏｗ ｃｈａｒｔ ｏｆ ｏｕｒ ｍｅｔｈｏｄ 对于一个三维模型数据集来说，其具体流程 如下。 １）首先对三维模型数据集进行预处理； ２）采样每个三维模型不同视点下的视图； ３）使用傅里叶描述子（ Ｆｏｕｒｉｅｒ ｄｅｓｃｒｉｐｔｏｒ， ＦＤ） 以及 Ｚｅｒｎｉｋｅ 矩描述子（ Ｚｅｒｎｉｋｅ ｍｏｍｅｎｔ ｄｅｓｃｒｉｐｔｏｒ， ＺＭＤ）来描述二维视图的特征，提取三维模型视图 在二维形状空间中的几何特征； ４）在训练阶段，针对三维模型的每个视图特征 使用随机森林算法训练分类器，并进行交叉验证，得 到以该视图特征描述模型时的分类错误率； ５）最后选择使得分类错误率最小的视图作为 最优视图。 １．２ 三维模型预处理 为了后续处理的方便，首先需要对输入的三维 模型进行预处理。 由于三维模型方向的不确定性， 为了减小对二维视图的影响，需要对三维模型进行 校正和归一化。 尽管已有大量的相关研究，但是大 部分方法仅适合人造物体［１３］ ，自动寻找任意三维模 型合适的竖直方向仍然是很困难的。 本文采用简单 而快速的主成分分析（ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ， ＰＣＡ）方法计算得到模型的主轴方向，以此为模型所 在坐标系的各个坐标轴方向，从而使得模型处于一 致的姿态。 最后将模型上的各个顶点到质心的距离 进行归一化，得到经过姿态校正以及归一化的三维 模型。 此外，如果某些三维模型没有类别标记，那么就 需要判断其类别。 这个问题在三维模型检索中得到 了大量的研究，本文采用 Ｖｒａｎｉｃ 等［１４］ 提出的由 １８６ 维的深度视图特征、１５０ 维的轮廓特征、１３６ 维的射 线特征组成的混合描述子作为三维模型的特征，使 用已有数据集作为训练集进行有监督学习得到分类 器。 使用该分类器对输入的模型进行分类，可以得 到输入模型的类别标记，将其作为数据集对应类别 的模型进行后续步骤处理。 １．３ 视图特征提取 １．３．１ 视图采样 本文的特征在二维视图上提取，需要取得三维 模型的二维视图，首先是确定视点位置。 由于视点 可以在三维空间中连续变化，需要对视图采样选取 离散化视点，减小样本空间。 视点的选取方法有经纬度法、随机法、伪均匀法 等。 经纬度法在两极处采样稠密、中部稀疏，增大了 两极视点的采样率，会漏掉中部的视点，而随机法运 算量较大［６］ 。 本文采用伪均匀法，以一个能够包住 三维模型的多面体顶点作为视点位置，如图 ２ 所示。 这个多面体由正二十面体经过曲面细分得到，这样 可以得到均匀分布的视点，而且根据不同的需要可 以循环不同的次数来得到不同数量的视点位置。 对 于数据集中每个三维模型 Ｍｉ，表面渲染为黑色，在 第 １ 期 李晨曦，等：一种三维模型最优视图的分类选择方法 ·１３·
·14 智能系统学报 第9卷 每个视，点上取得三维模型的投影，得到每个模型的 2)以视图的中心作为原点，把所有像素的坐标 n个二维视图，如图3所示。 映射到以原点为圆心的单位圆中，使得Zernike矩具 有平移和缩放的不变性： 3)用正交的Zernike多项式展开视图： 4)取得振幅作为Zernike矩描述子，得到旋转 不变性。 由于在形状有缺口以及轮廓有凸起的情况下， 傅里叶描述子的性能不佳，但Zernike矩的性能良 图2视点采样 好，而在形状分叉较多的情况下却相反[1。因而把 Fig.2 Viewpoints sampling 2个描述子结合起来，采用与文献[18]所述方法同 样的参数，使用0~10阶的35个Zernike矩描述子 和前10个傅里叶描述子来描述视图的特征，对数据 集中每个三维模型M,的每个视图提取傅里叶描 述子f和Zernike矩描述子后，三维模型M将由 n个视图的45维的特征向量表示，记为 F=[F=a,F=a,…,Fo=a0, F"=B",F2=B,…,F=B5] 式中：a和B分别为傅里叶描述子和Zernike矩描述 子的权重。在这里定义2个视图之间的相异性，即 2个视图之间的距离为相应特征向量的欧式距离： 图3部分二维视图 dist(,)=dist(F,F)=IF-F时‖(I) Fig.3 Some 2D views 式中：‖·‖是欧式范数。 1.3.2特征提取 1.4分类能力评价 获得最优视图样本之后，需要提取三维模型视 为了衡量三维模型M,中每个视图的分类能 图在二维形状空间中的特征。本文使用Zhang 力，这需要找到对于而言其他三维模型的代表视 等is)提出的结合傅里叶描述子和Zernike矩描述子 图，使用这些代表视图构建特征矩阵和类别标记来 的方法来描述每个视图。 训练分类器，进而衡量*的分类能力。 Kauppient6比较了多类形状识别方法的能力， 由于采样时存在视图对称或旋转等相似的情 实验表明基于物体轮廓坐标序列的傅里叶描述子具 况，存在较大的数据冗余，为了减少计算开销，在选 有良好的形状识别性能，Zhang等[)]也说明了60个 择代表视图之前，依照Yamauchi等[劉提出的方法， 傅里叶描述子系数足以表示一个形状，由此可以使 将相似度较高的视图聚集在一起，使得视图集合约 用傅里叶描述子来描述二维视图的特征。但是为了 减为数量较小、相似度较低的视图子集。由于存在 使得特征满足旋转、平移和缩放的几何不变性，需要 着对称的影响，不相邻的视点相似度也可能很高，因 对傅里叶描述子进行归一化操作。提取步骤如下。 此可以使用简单高效的k-means聚类算法代替文献 1)二维视图经二值化处理后变成二值视图： [8]中的MeTis图划分方法，取得聚类中心作为候 2)使用Canny算子提取二值视图的轮廓； 选视图，视图间的距离以式(1)度量。 3)对轮廓序列进行傅里叶变换并进行归一化： 下面定义三维模型M,对于三维模型M,的视图 4)取前m个低频分量作为每个视图的特征。 的距离，将它看作是M,的候选视图集合中所有视 但是傅里叶描述子是一种基于边界的描述方 图与间距离的最小值，即 法，仅仅只利用了边界信息，丢失了形状的内部信 息。而Zernike矩描述子可以利用形状的内部信息， dist(V,M)=min(dist(V,V)) 作为傅里叶描述子的补充，更好地描述视图的特征。 使得dist(,M)取最小值的视图被选为M,对于 同样，为了使得特征满足旋转、平移和缩放的几何不 的代表视图。 变性，也需要进行归一化操作，其步骤如下。 对于M的每个视图，计算其他所有模型相对 1)二维视图经二值化处理后变成二值视图： 于的代表视图后，对训练得到一个二值分类器
每个视点上取得三维模型的投影，得到每个模型的 ｎ 个二维视图，如图 ３ 所示。 图 ２ 视点采样 Ｆｉｇ．２ Ｖｉｅｗｐｏｉｎｔｓ ｓａｍｐｌｉｎｇ 图 ３ 部分二维视图 Ｆｉｇ．３ Ｓｏｍｅ ２Ｄ ｖｉｅｗｓ １．３．２ 特征提取 获得最优视图样本之后，需要提取三维模型视 图在 二 维 形 状 空 间 中 的 特 征。 本 文 使 用 Ｚｈａｎｇ 等［１５］提出的结合傅里叶描述子和 Ｚｅｒｎｉｋｅ 矩描述子 的方法来描述每个视图。 Ｋａｕｐｐｉｅｎ ［１６］比较了多类形状识别方法的能力， 实验表明基于物体轮廓坐标序列的傅里叶描述子具 有良好的形状识别性能，Ｚｈａｎｇ 等［１７］也说明了 ６０ 个 傅里叶描述子系数足以表示一个形状，由此可以使 用傅里叶描述子来描述二维视图的特征。 但是为了 使得特征满足旋转、平移和缩放的几何不变性，需要 对傅里叶描述子进行归一化操作。 提取步骤如下。 １）二维视图经二值化处理后变成二值视图； ２）使用 Ｃａｎｎｙ 算子提取二值视图的轮廓； ３）对轮廓序列进行傅里叶变换并进行归一化； ４）取前 ｍ 个低频分量作为每个视图的特征。 但是傅里叶描述子是一种基于边界的描述方 法，仅仅只利用了边界信息，丢失了形状的内部信 息。 而 Ｚｅｒｎｉｋｅ 矩描述子可以利用形状的内部信息， 作为傅里叶描述子的补充，更好地描述视图的特征。 同样，为了使得特征满足旋转、平移和缩放的几何不 变性，也需要进行归一化操作，其步骤如下。 １）二维视图经二值化处理后变成二值视图； ２）以视图的中心作为原点，把所有像素的坐标 映射到以原点为圆心的单位圆中，使得 Ｚｅｒｎｉｋｅ 矩具 有平移和缩放的不变性； ３）用正交的 Ｚｅｒｎｉｋｅ 多项式展开视图； ４）取得振幅作为 Ｚｅｒｎｉｋｅ 矩描述子，得到旋转 不变性。 由于在形状有缺口以及轮廓有凸起的情况下， 傅里叶描述子的性能不佳，但 Ｚｅｒｎｉｋｅ 矩的性能良 好，而在形状分叉较多的情况下却相反［１５］ 。 因而把 ２ 个描述子结合起来，采用与文献［１８］所述方法同 样的参数，使用 ０ ～ １０ 阶的 ３５ 个 Ｚｅｒｎｉｋｅ 矩描述子 和前 １０ 个傅里叶描述子来描述视图的特征，对数据 集中每个三维模型 Ｍｉ的每个视图 Ｖ ｋ ｉ 提取傅里叶描 述子 ｆ ｋｊ ｉ 和 Ｚｅｒｎｉｋｅ 矩描述子 ｚ ｋｊ ｉ 后，三维模型 Ｍｉ将由 ｎ 个视图的 ４５ 维的特征向量表示，记为 Ｆ ｋ ｉ ＝ ［Ｆ ｋ１ ｉ ＝ αｆ ｋ１ ｉ ，Ｆ ｋ２ ｉ ＝αｆ ｋ２ ｉ ，…，Ｆ ｋ１０ ｉ ＝αｆ ｋ１０ ｉ ， Ｆ ｋ１１ ｉ ＝ βｚ ｋ１１ ｉ ，Ｆ ｋ１２ ｉ ＝ βｚ ｋ１２ ｉ ，…，Ｆ ｋ４５ ｉ ＝ βｚ ｋ４５ ｉ ］ 式中：α 和 β 分别为傅里叶描述子和 Ｚｅｒｎｉｋｅ 矩描述 子的权重。 在这里定义 ２ 个视图之间的相异性，即 ２ 个视图之间的距离为相应特征向量的欧式距离： ｄｉｓｔ（Ｖ ｋ ｉ ， Ｖ ｋ ｊ ） ＝ ｄｉｓｔ（Ｆ ｋ ｉ ，Ｆ ｋ ｊ ）＝ ‖Ｆ ｋ ｉ － Ｆ ｋ ｊ ‖ （１） 式中：‖·‖是欧式范数。 １．４ 分类能力评价 为了衡量三维模型 Ｍｉ中每个视图 Ｖ ｋ ｉ 的分类能 力，这需要找到对于 Ｖ ｋ ｉ 而言其他三维模型的代表视 图，使用这些代表视图构建特征矩阵和类别标记来 训练分类器，进而衡量 Ｖ ｋ ｉ 的分类能力。 由于采样时存在视图对称或旋转等相似的情 况，存在较大的数据冗余，为了减少计算开销，在选 择代表视图之前，依照 Ｙａｍａｕｃｈｉ 等［８］ 提出的方法， 将相似度较高的视图聚集在一起，使得视图集合约 减为数量较小、相似度较低的视图子集。 由于存在 着对称的影响，不相邻的视点相似度也可能很高，因 此可以使用简单高效的 ｋ⁃ｍｅａｎｓ 聚类算法代替文献 ［８］中的 ＭｅＴｉｓ 图划分方法，取得聚类中心作为候 选视图，视图间的距离以式（１）度量。 下面定义三维模型 Ｍｊ对于三维模型 Ｍｉ的视图 Ｖ ｋ ｉ 的距离，将它看作是 Ｍｊ的候选视图集合中所有视 图 Ｖ ｌ ｊ与 Ｖ ｋ ｉ 间距离的最小值，即 ｄｉｓｔ（Ｖ ｋ ｉ ，Ｍｊ） ＝ ｍｉｎ（ｄｉｓｔ（Ｖ ｋ ｉ ， Ｖ ｌ ｊ ）） 使得 ｄｉｓｔ（Ｖ ｋ ｉ ，Ｍｊ）取最小值的视图 Ｖ ｌ ｊ被选为 Ｍｊ对于 Ｖ ｋ ｉ 的代表视图。 对于 Ｍｉ的每个视图 Ｖ ｋ ｉ ，计算其他所有模型相对 于 Ｖ ｋ ｉ 的代表视图后，对 Ｖ ｋ ｉ 训练得到一个二值分类器 ·１４· 智 能 系 统 学 报 第 ９ 卷
第1期 李晨曦，等：一种三维模型最优视图的分类选择方法 ·15· ,特征矩阵由其他所有模型相对于的代表视图 佳检索性的参数a=0.7,B=0.3。k-means聚类数则 的特征组成。这个特征矩阵包括视图的特征向 设为10，交叉验证采用5折，这样可以得到性能和 量F以及每个代表视图的特征向量F。如果模 计算开销的折衷。 型M:和M属于数据集中同一类别，那么特征F的类别 在第2个层次(coarse1)的分类下，采用全部模 标记为1：否则，类别标记为-1。该分类器定义如下： 型训练分类器，图4展示了有翼飞行器模型前4个 (1,M,与M,属于同类模型 好的视图，左侧最好，往右依次降低。图5展现了更 (F,M)= -1,M与M属于不同类模型 多类别模型的实验结果，包括人类模型、液体容器和 分类器采用随机森林算法进行训练。随机森林 节肢动物，左右2列分别为不同模型前2个好的视 是Breimant提出的一个分类器集成算法，它将许 图。从实验结果可以看出大部分最优视图符合人类 多决策树作为弱分类器集成一个强的分类器，以提 观察物体的视觉习惯，而且同类模型的最优视图具 升分类的正确率，随机森林的决策结果是所有决策 有较高的一致性。 树分类结果的平均。随机森林在图像检索方面的性 能良好且快速0)，这有助于大量视图的高效学习。 然后，对分类器进行k折交叉验证，即将所有视 图平均分成k份，每次以1份样本作为验证分类错 误率的数据，其余k-1份作为训练分类器的数据， 一共重复k次，对每次交叉验证的分类错误率进行 (a)太空船 累加，统计得到每次交叉验证的平均分类错误率，错 误率最小的视图即为相应三维模型的最优视图。 1.5数据集约减 当数据集中有大量数据时，使用全部的数据进 行学习需要大量的计算开销，为了减少计算量，可以 对数据集进行约减。进行约减的主要思想是，属于 同一类的三维模型具有相似的特征，那么同一类别 b)战斗机 的三维模型可以由几个代表性的三维模型来表示。 对于输入的新模型，采用每个类别分类错误率较低 的三维模型作为训练分类器的输入，这样可以按照 用户的需要确定不同的分类器训练模型数量，而不 需要使用全部的模型，减少对于新输入模型的计算 和时间开销。 (c)商用飞机 图4在coarse1层次下，有翼飞行器的结果 2实验结果与分析 Fig.4 Results of winged vehicles of the coarse 1 为了验证方法的有效性，以普林斯顿形状基准 (Princeton shape benchmark,PSB)[2)作为三维模型 数据集，进行实验分析。普林斯顿形状基准是一个 包含了1814个从互联网上收集的模型分类基准数 据库，该数据库包含4个层次的分类。最粗略的分 类仅包括2个分类，分别是自然物体和人造物体，其 余的3个分类，均是上一层次分类的细化。其中最 精细(base)的分类下，包含161个类别，包括飞机、 人类、车辆等。本文设置正二十面体的曲面细分迭 (a)模型1 (b)模型2 代次数为2，这样产生了162个均匀分布的视点。 图5在coarse1层次下的结果 参数a和B采用Zhang等f1s]在实验得到的具有最 Fig.5 Results of the coarse 1
Φ ｋ ｉ ，特征矩阵由其他所有模型相对于 Ｖ ｋ ｉ 的代表视图 的特征组成。 这个特征矩阵包括视图 Ｖ ｋ ｉ 的特征向 量 Ｆ ｋ ｉ 以及每个代表视图 Ｖ ｌ ｊ 的特征向量 Ｆ ｌ ｊ 。 如果模 型 Ｍｉ和 Ｍｊ属于数据集中同一类别，那么特征 Ｆ ｌ ｊ的类别 标记为 １；否则，类别标记为－１。 该分类器定义如下： Φ ｋ ｉ（Ｆ ｋ ｉ ，Ｍｊ） ＝ １，Ｍｉ 与 Ｍｊ 属于同类模型 { － １，Ｍｉ 与 Ｍｊ 属于不同类模型 分类器采用随机森林算法进行训练。 随机森林 是 Ｂｒｅｉｍａｎ ［１９］ 提出的一个分类器集成算法，它将许 多决策树作为弱分类器集成一个强的分类器，以提 升分类的正确率，随机森林的决策结果是所有决策 树分类结果的平均。 随机森林在图像检索方面的性 能良好且快速［２０］ ，这有助于大量视图的高效学习。 然后，对分类器进行 ｋ 折交叉验证，即将所有视 图平均分成 ｋ 份，每次以 １ 份样本作为验证分类错 误率的数据，其余 ｋ－１ 份作为训练分类器的数据， 一共重复 ｋ 次，对每次交叉验证的分类错误率进行 累加，统计得到每次交叉验证的平均分类错误率，错 误率最小的视图即为相应三维模型的最优视图。 １．５ 数据集约减 当数据集中有大量数据时，使用全部的数据进 行学习需要大量的计算开销，为了减少计算量，可以 对数据集进行约减。 进行约减的主要思想是，属于 同一类的三维模型具有相似的特征，那么同一类别 的三维模型可以由几个代表性的三维模型来表示。 对于输入的新模型，采用每个类别分类错误率较低 的三维模型作为训练分类器的输入，这样可以按照 用户的需要确定不同的分类器训练模型数量，而不 需要使用全部的模型，减少对于新输入模型的计算 和时间开销。 ２ 实验结果与分析 为了验证方法的有效性，以普林斯顿形状基准 （Ｐｒｉｎｃｅｔｏｎ ｓｈａｐｅ ｂｅｎｃｈｍａｒｋ， ＰＳＢ） ［２１］作为三维模型 数据集，进行实验分析。 普林斯顿形状基准是一个 包含了 １ ８１４ 个从互联网上收集的模型分类基准数 据库，该数据库包含 ４ 个层次的分类。 最粗略的分 类仅包括 ２ 个分类，分别是自然物体和人造物体，其 余的 ３ 个分类，均是上一层次分类的细化。 其中最 精细（ｂａｓｅ）的分类下，包含 １６１ 个类别，包括飞机、 人类、车辆等。 本文设置正二十面体的曲面细分迭 代次数为 ２，这样产生了 １６２ 个均匀分布的视点。 参数 α 和 β 采用 Ｚｈａｎｇ 等［１５］ 在实验得到的具有最 佳检索性的参数 α＝ ０．７，β ＝ ０．３。 ｋ⁃ｍｅａｎｓ 聚类数则 设为 １０，交叉验证采用 ５ 折，这样可以得到性能和 计算开销的折衷。 在第 ２ 个层次（ｃｏａｒｓｅ １）的分类下，采用全部模 型训练分类器，图 ４ 展示了有翼飞行器模型前 ４ 个 好的视图，左侧最好，往右依次降低。 图 ５ 展现了更 多类别模型的实验结果，包括人类模型、液体容器和 节肢动物，左右 ２ 列分别为不同模型前 ２ 个好的视 图。 从实验结果可以看出大部分最优视图符合人类 观察物体的视觉习惯，而且同类模型的最优视图具 有较高的一致性。 图 ４ 在 ｃｏａｒｓｅ １ 层次下，有翼飞行器的结果 Ｆｉｇ．４ Ｒｅｓｕｌｔｓ ｏｆ ｗｉｎｇｅｄ ｖｅｈｉｃｌｅｓ ｏｆ ｔｈｅ ｃｏａｒｓｅ １ 图 ５ 在 ｃｏａｒｓｅ １ 层次下的结果 Ｆｉｇ．５ Ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｃｏａｒｓｅ １ 第 １ 期 李晨曦，等：一种三维模型最优视图的分类选择方法 ·１５·
·16 智能系统学报 第9卷 为了衡量同类视图的稳定性，考虑到工程中一个 表2在最精细分类下视图统计结果 物体往往由主视图、俯视图、左视图组成的三视图来表 Table 2 Statistical results of the base classification 示，再加上一些转面视图如正侧视图等类别，本文将多 类别 视图比例视图样例视图比例 视图样例 个所有视图归并成主视图、俯视图、左视图、正侧视图 和上侧视图，对模型的视图一致性进行了统计，对于第 俯视图 侧视图 2个层次(coarse1)分类的统计结果如表1所示。 商用飞机 61.9% 23.8% 表1在coarse1层次下视图统计结果 Table 1 Statistical results of the coarse 1 类别 视图比例 视图样例视图比例 视图样例 上侧视图 俯视图 太空船 俯视图 侧视图 45.59% 27.39% 飞行器 44.7% 16.0% 其他的模型所选择的最优视图如图7所示，其 正侧视图 侧视图 中同一行显示的是属于同一类别不同模型的最优视 站立人体 50.3% 22.1% 图。由于视图特征描述子是基于二维视图形状的， 因此对于在不同视点下形状差别较大的模型效果较 正视图 俯视图 液体容器 好。但是由于这种局限性，对于一些在每个视点下 67.8% 27.1% 形状区别不大的模型，如人类头部模型，这些模型每 而在最精细的分类下对于有翼飞行器模型的实 个视图的特征较为相近，难以区分，一致性就较差。 验结果如图6所示，左侧最好，往右依次降低，对于 由于透视关系，在关于坐标原点对称的视点下得到 该层次分类的统计结果如表2所示，可以看到与前 的二维视图形状是完全一样的，例如一个模型的正 一个较为粗糙分类的情况不同，同类模型最优视图 面和背面，基于形状的视图描述子是无法区分的，这 姿态的变化更小，一致性更高，由此可以看出，本文 也导致了实验结果中会出现模型的背面视图，而这 的方法对于数据集的分类情况具有依赖性，因此，三 与人类的习惯是不相符的。 维模型的不同分类情况会对结果造成影响。 (a)动物 时 b)植物 太空 b)战斗机 (d桌子 (e)头像 (c)商用飞机 图6在最精细的分类下，有翼飞行器的结果 图7其他模型结果 Fig.6 Results of winged vehicles of the base classification Fig.7 Results of some other models
为了衡量同类视图的稳定性，考虑到工程中一个 物体往往由主视图、俯视图、左视图组成的三视图来表 示，再加上一些转面视图如正侧视图等类别，本文将多 个所有视图归并成主视图、俯视图、左视图、正侧视图 和上侧视图，对模型的视图一致性进行了统计，对于第 ２ 个层次（ｃｏａｒｓｅ １）分类的统计结果如表 １ 所示。 表 １ 在 ｃｏａｒｓｅ １ 层次下视图统计结果 Ｔａｂｌｅ １ Ｓｔａｔｉｓｔｉｃａｌ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｃｏａｒｓｅ １ 类别 视图比例 视图样例 视图比例 视图样例 飞行器 俯视图 ４４．７％ 侧视图 １６．０％ 站立人体 正侧视图 ５０．３％ 侧视图 ２２．１％ 液体容器 正视图 ６７．８％ 俯视图 ２７．１％ 而在最精细的分类下对于有翼飞行器模型的实 验结果如图 ６ 所示，左侧最好，往右依次降低，对于 该层次分类的统计结果如表 ２ 所示，可以看到与前 一个较为粗糙分类的情况不同，同类模型最优视图 姿态的变化更小，一致性更高，由此可以看出，本文 的方法对于数据集的分类情况具有依赖性，因此，三 维模型的不同分类情况会对结果造成影响。 图 ６ 在最精细的分类下，有翼飞行器的结果 Ｆｉｇ．６ Ｒｅｓｕｌｔｓ ｏｆ ｗｉｎｇｅｄ ｖｅｈｉｃｌｅｓ ｏｆ ｔｈｅ ｂａｓｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ 表 ２ 在最精细分类下视图统计结果 Ｔａｂｌｅ ２ Ｓｔａｔｉｓｔｉｃａｌ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｂａｓｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ 类别 视图比例 视图样例 视图比例 视图样例 商用飞机 俯视图 ６１．９％ 侧视图 ２３．８％ 太空船 上侧视图 ４５．５％ 俯视图 ２７．３％ 其他的模型所选择的最优视图如图 ７ 所示，其 中同一行显示的是属于同一类别不同模型的最优视 图。 由于视图特征描述子是基于二维视图形状的， 因此对于在不同视点下形状差别较大的模型效果较 好。 但是由于这种局限性，对于一些在每个视点下 形状区别不大的模型，如人类头部模型，这些模型每 个视图的特征较为相近，难以区分，一致性就较差。 由于透视关系，在关于坐标原点对称的视点下得到 的二维视图形状是完全一样的，例如一个模型的正 面和背面，基于形状的视图描述子是无法区分的，这 也导致了实验结果中会出现模型的背面视图，而这 与人类的习惯是不相符的。 图 ７ 其他模型结果 Ｆｉｇ．７ Ｒｅｓｕｌｔｓ ｏｆ ｓｏｍｅ ｏｔｈｅｒ ｍｏｄｅｌｓ ·１６· 智 能 系 统 学 报 第 ９ 卷
第1期 李晨曦，等：一种三维模型最优视图的分类选择方法 ·17. [J].Computer Graphics Forum,1999,18(3):95-106. 结束语 [5]杨利明，王文成，吴恩化.基于视平面上特征计算的视点 不同类别的三维模型的几何特征具有很大变 选择[J].计算机辅助设计与图形学学报，2008,20(9)： 化，因此难以得到通用的最优视图的精确数学定义。 1097-1103. 本文提出了一种三维模型最优视图的选择方法，将 YANG Liming,WANG Wencheng,WU Enhua.Viewpoint 最优视图选择问题归结为视图对于三维模型类别的 selection by feature measurement on the viewing plane[J]. Journal of Computer-Aided Design Computer Graphics, 分类性能问题，该方法利用了三维模型数据集类别 2008,20(9):1097-1103. 的语义信息，得到了比较符合人类习惯的最优视图。 [6]曹伟国，胡平，李华，等基于距离直方图的最优视点选择 新方法使用傅里叶描述子和Zernike矩描述子 [J]计算机辅助设计与图形学学报，2010,22(9)： 来描述三维模型的二维视图，但仅仅利用了不同视 1515-1521 图的形状信息，无法区分三维模型关于坐标原点对 CAO Weiguo,HU Ping,LI Hua,et al.Canonical viewpoint 称的2个视图，比如正面和背面。因此，怎样在对计 selection based on distance-histogram[J].Journal of Com- 算量影响不大的情况下能够描述不同视图下的三维 puter-Aided Design Computer Graphics,2010,22(9): 空间信息将是后续工作的一个方面。此外，由于在 1515-1521 不同的视角下得到的二维视图不一定是正立的，因 [7]JOSHUA P,PHILIP S,ALEKSEY G,et al.A planar-re- 此可以对最优视图进行校正以得到更好的结果，本 flective symmetry transform for 3D shapes[J].ACM Trans- 文使用的是简单的校正视图到形状的主轴上的 actions on Graphics,2006,25(3):549-559 [8]YAMAUCHI H,SALEEM W,YOSHIZAWA S,et al.To- PCA方法，对于人类模型等细长的模型特别有效， wards stable and salient multi-view representation of 3D 但是对于任意类型的模型来说，这仍然是有待解决 shapes[C]//Proceedings of the IEEE International Confer- 的问题。由于人类对于三维模型的类别认知可以有 ence on Shape Modeling and Applications.Matsushima,Ja- 多种方式，往往是分层次或者模糊的，本文方法只是 pan,2006:40. 依据数据集中一个明确的固定分类，对于低类内变 [9]VAZQUEZ PP,FEIXAS M,SBERT M,et al.Automatic 化的数据是鲁棒的，但对于高类内变化的数据性能 view selection using viewpoint entropy and its application to 会下降，因此本文得到的结果与人类的主观选择仍 image-based modeling J].Computer Graphics Forum, 然会存在差异。对于最优视图的评价尚未形成统一 2003.22(4):689-700. 的评价标准，如何度量这种差异以及引入人类主观 [10]SHILANE P,FUNKHOUSER T.Distinctive regions of 3D surfaces[J].ACM Transactions on Graphics,2007,26 选择的影响将是后续工作的另外一个方面。 (2):7. 参考文献： [11]VAZQUEZ PP.Automatic view selection through depth- based view stability analysis[J].The Visual Computer, [1]MARR D,POGGIO T,HILDRETH E C,et al.A computa- 2009,25(51617):441-449 tional theory of human stereo vision[M].Boston: [12]LAGA H.Data-driven approach for automatic orientation of Birkhause,1991:263-295. 3D shapes [J].The Visual Computer,2011,27(11): [2]BLANZ V,TARR M J,BULTHOFF HH,et al.What ob- 977-989. ject attributes determine canonical views?[J].Perception,[13]FU H,COHEN-OR D.DROR G.et al.Upright orienta- 1999,28(5):560-575. tion of man-made objects[J].ACM Transactions on Graph- [3]POLONSKY O,PATAN G,BIASOTTI S,et al.What's in ics,2008,27(3):1-7. an image?Towards the computation of the "best"view of an [14]VRANIC D V,SAUPE D.3D model retrieval[C]//Pro- object[J].The Visual Computer,2005,21(819\10):840- ceedings of the Spring Conference on Computer Graphics 847. and its Applications.Budmerice,Slovakia,2000:89-93. 4]FEIXAS M,DEL ACEBO E.BEKAERT P,et al.An infor- [15]ZHANG D,LU G.An integrated approach to shape based mation theory framework for the analysis of scene complexity image retrieval[C]//Proceedings of 5th Asian Conference
３ 结束语 不同类别的三维模型的几何特征具有很大变 化，因此难以得到通用的最优视图的精确数学定义。 本文提出了一种三维模型最优视图的选择方法，将 最优视图选择问题归结为视图对于三维模型类别的 分类性能问题，该方法利用了三维模型数据集类别 的语义信息，得到了比较符合人类习惯的最优视图。 新方法使用傅里叶描述子和 Ｚｅｒｎｉｋｅ 矩描述子 来描述三维模型的二维视图，但仅仅利用了不同视 图的形状信息，无法区分三维模型关于坐标原点对 称的 ２ 个视图，比如正面和背面。 因此，怎样在对计 算量影响不大的情况下能够描述不同视图下的三维 空间信息将是后续工作的一个方面。 此外，由于在 不同的视角下得到的二维视图不一定是正立的，因 此可以对最优视图进行校正以得到更好的结果，本 文使用的是简单的校正视图到形状的主轴上的 ＰＣＡ 方法，对于人类模型等细长的模型特别有效， 但是对于任意类型的模型来说，这仍然是有待解决 的问题。 由于人类对于三维模型的类别认知可以有 多种方式，往往是分层次或者模糊的，本文方法只是 依据数据集中一个明确的固定分类，对于低类内变 化的数据是鲁棒的，但对于高类内变化的数据性能 会下降，因此本文得到的结果与人类的主观选择仍 然会存在差异。 对于最优视图的评价尚未形成统一 的评价标准，如何度量这种差异以及引入人类主观 选择的影响将是后续工作的另外一个方面。 参考文献： ［１］ＭＡＲＲ Ｄ， ＰＯＧＧＩＯ Ｔ， ＨＩＬＤＲＥＴＨ Ｅ Ｃ， ｅｔ ａｌ． Ａ ｃｏｍｐｕｔａ⁃ ｔｉｏｎａｌ ｔｈｅｏｒｙ ｏｆ ｈｕｍａｎ ｓｔｅｒｅｏ ｖｉｓｉｏｎ［Ｍ］． Ｂｏｓｔｏｎ： Ｂｉｒｋｈäｕｓｅ， １９９１： ２６３⁃２９５． ［２］ＢＬＡＮＺ Ｖ， ＴＡＲＲ Ｍ Ｊ， ＢＵＬＴＨＯＦＦ Ｈ Ｈ， ｅｔ ａｌ． Ｗｈａｔ ｏｂ⁃ ｊｅｃｔ ａｔｔｒｉｂｕｔｅｓ ｄｅｔｅｒｍｉｎｅ ｃａｎｏｎｉｃａｌ ｖｉｅｗｓ？ ［Ｊ］． Ｐｅｒｃｅｐｔｉｏｎ， １９９９， ２８（５）： ５６０⁃５７５． ［３］ＰＯＬＯＮＳＫＹ Ｏ， ＰＡＴＡＮ Ｇ， ＢＩＡＳＯＴＴＩ Ｓ， ｅｔ ａｌ． Ｗｈａｔ’ｓ ｉｎ ａｎ ｉｍａｇｅ？ Ｔｏｗａｒｄｓ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎ ｏｆ ｔｈｅ “ｂｅｓｔ” ｖｉｅｗ ｏｆ ａｎ ｏｂｊｅｃｔ［Ｊ］． Ｔｈｅ Ｖｉｓｕａｌ Ｃｏｍｐｕｔｅｒ， ２００５， ２１（８ ＼９ ＼１０）： ８４０⁃ ８４７． ［４］ＦＥＩＸＡＳ Ｍ， ＤＥＬ ＡＣＥＢＯ Ｅ， ＢＥＫＡＥＲＴ Ｐ， ｅｔ ａｌ． Ａｎ ｉｎｆｏｒ⁃ ｍａｔｉｏｎ ｔｈｅｏｒｙ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｓｃｅｎｅ ｃｏｍｐｌｅｘｉｔｙ ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ Ｆｏｒｕｍ， １９９９， １８（３）： ９５⁃１０６． ［５］杨利明，王文成，吴恩化．基于视平面上特征计算的视点 选择［Ｊ］．计算机辅助设计与图形学学报， ２００８， ２０（９）： １０９７⁃１１０３． ＹＡＮＧ Ｌｉｍｉｎｇ， ＷＡＮＧ Ｗｅｎｃｈｅｎｇ， ＷＵ Ｅｎｈｕａ． Ｖｉｅｗｐｏｉｎｔ ｓｅｌｅｃｔｉｏｎ ｂｙ ｆｅａｔｕｒｅ ｍｅａｓｕｒｅｍｅｎｔ ｏｎ ｔｈｅ ｖｉｅｗｉｎｇ ｐｌａｎｅ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ⁃Ａｉｄｅｄ Ｄｅｓｉｇｎ ＆ Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ， ２００８， ２０（９）： １０９７⁃１１０３． ［６］曹伟国，胡平，李华，等．基于距离直方图的最优视点选择 ［Ｊ］．计算机辅助设计与图形学学报， ２０１０， ２２ （ ９）： １５１５⁃１５２１． ＣＡＯ Ｗｅｉｇｕｏ， ＨＵ Ｐｉｎｇ， ＬＩ Ｈｕａ， ｅｔ ａｌ． Ｃａｎｏｎｉｃａｌ ｖｉｅｗｐｏｉｎｔ ｓｅｌｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｄｉｓｔａｎｃｅ⁃ｈｉｓｔｏｇｒａｍ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍ⁃ ｐｕｔｅｒ⁃Ａｉｄｅｄ Ｄｅｓｉｇｎ ＆ Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ， ２０１０， ２２（ ９）： １５１５⁃１５２１． ［７］ ＪＯＳＨＵＡ Ｐ， ＰＨＩＬＩＰ Ｓ， ＡＬＥＫＳＥＹ Ｇ， ｅｔ ａｌ． Ａ ｐｌａｎａｒ⁃ｒｅ⁃ ｆｌｅｃｔｉｖｅ ｓｙｍｍｅｔｒｙ ｔｒａｎｓｆｏｒｍ ｆｏｒ ３Ｄ ｓｈａｐｅｓ［ Ｊ］． ＡＣＭ Ｔｒａｎｓ⁃ ａｃｔｉｏｎｓ ｏｎ Ｇｒａｐｈｉｃｓ， ２００６， ２５（３）： ５４９⁃５５９． ［８］ＹＡＭＡＵＣＨＩ Ｈ， ＳＡＬＥＥＭ Ｗ， ＹＯＳＨＩＺＡＷＡ Ｓ， ｅｔ ａｌ． Ｔｏ⁃ ｗａｒｄｓ ｓｔａｂｌｅ ａｎｄ ｓａｌｉｅｎｔ ｍｕｌｔｉ⁃ｖｉｅｗ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ３Ｄ ｓｈａｐｅｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｓｈａｐｅ Ｍｏｄｅｌｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ． Ｍａｔｓｕｓｈｉｍａ， Ｊａ⁃ ｐａｎ， ２００６： ４０． ［９］ＶÁＺＱＵＥＺ Ｐ Ｐ， ＦＥＩＸＡＳ Ｍ， ＳＢＥＲＴ Ｍ， ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ｖｉｅｗ ｓｅｌｅｃｔｉｏｎ ｕｓｉｎｇ ｖｉｅｗｐｏｉｎｔ ｅｎｔｒｏｐｙ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｉｍａｇｅ⁃ｂａｓｅｄ ｍｏｄｅｌｉｎｇ ［ Ｊ ］． Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ Ｆｏｒｕｍ， ２００３， ２２（４）： ６８９⁃７００． ［１０］ＳＨＩＬＡＮＥ Ｐ， ＦＵＮＫＨＯＵＳＥＲ Ｔ． Ｄｉｓｔｉｎｃｔｉｖｅ ｒｅｇｉｏｎｓ ｏｆ ３Ｄ ｓｕｒｆａｃｅｓ［ Ｊ］． ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｒａｐｈｉｃｓ， ２００７， ２６ （２）： ７． ［１１］ ＶÁＺＱＵＥＺ Ｐ Ｐ． Ａｕｔｏｍａｔｉｃ ｖｉｅｗ ｓｅｌｅｃｔｉｏｎ ｔｈｒｏｕｇｈ ｄｅｐｔｈ⁃ ｂａｓｅｄ ｖｉｅｗ ｓｔａｂｉｌｉｔｙ ａｎａｌｙｓｉｓ ［ Ｊ］． Ｔｈｅ Ｖｉｓｕａｌ Ｃｏｍｐｕｔｅｒ， ２００９， ２５（５ ＼６ ＼７）： ４４１⁃４４９． ［１２］ＬＡＧＡ Ｈ． Ｄａｔａ⁃ｄｒｉｖｅｎ ａｐｐｒｏａｃｈ ｆｏｒ ａｕｔｏｍａｔｉｃ ｏｒｉｅｎｔａｔｉｏｎ ｏｆ ３Ｄ ｓｈａｐｅｓ ［ Ｊ］． Ｔｈｅ Ｖｉｓｕａｌ Ｃｏｍｐｕｔｅｒ， ２０１１， ２７ （ １１）： ９７７⁃９８９． ［１３］ＦＵ Ｈ， ＣＯＨＥＮ⁃ＯＲ Ｄ， ＤＲＯＲ Ｇ， ｅｔ ａｌ． Ｕｐｒｉｇｈｔ ｏｒｉｅｎｔａ⁃ ｔｉｏｎ ｏｆ ｍａｎ⁃ｍａｄｅ ｏｂｊｅｃｔｓ［Ｊ］． ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｒａｐｈ⁃ ｉｃｓ， ２００８， ２７（３）： １⁃７． ［１４］ＶＲＡＮＩＣ Ｄ Ｖ， ＳＡＵＰＥ Ｄ． ３Ｄ ｍｏｄｅｌ ｒｅｔｒｉｅｖａｌ［Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｐｒｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ ａｎｄ ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ． Ｂｕｄｍｅｒｉｃｅ， Ｓｌｏｖａｋｉａ， ２０００： ８９⁃９３． ［１５］ＺＨＡＮＧ Ｄ， ＬＵ Ｇ． Ａｎ ｉｎｔｅｇｒａｔｅｄ ａｐｐｒｏａｃｈ ｔｏ ｓｈａｐｅ ｂａｓｅｄ ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ５ｔｈ Ａｓｉａｎ Ｃｏｎｆｅｒｅｎｃｅ 第 １ 期 李晨曦，等：一种三维模型最优视图的分类选择方法 ·１７·
·18. 智能系统学报 第9卷 on Computer Vision.Melbourne,Australia,2002:652- 作者简介： 657. 李晨曦，男，1991年生，硕士研究 [16]KAUPPIEN H,SEPANEN T.An experiment comparison 生，主要研究方向为计算机图形学。 of auto regressive and Fourier based descriptors in 2D shape classification[J].IEEE Transactions on Pattern A- nalysis and Machine Intelligence,1995,17(2):201-207. [17]ZHANG D,LU G.Shape retrieval using Fourier descriptors [C]//Proceedings of 2nd IEEE Pacific Rim Conference on 孙正兴，男，1964年生，教授、博士 生导师、博士，中国计算机学会计算机 Multimedia.Beijing,China,2001:1-9. 辅助设计与图形学专委会委员，中国人 [18]CHEN D Y,TIAN X P,SHEN Y T,et al.On visual simi- 工智能学会首届人工心理与人工情感 larity based 3D model retrieval[J].Computer Graphics Fo- 专委会委员。主要研究方向为多媒体 um,2003,22(3):223-232. 计算、计算机视觉与智能人机交互。先 [19]BREIMAN L.Random forests [J].Machine Learning, 后主持和参与国家自然科学基金、国家“863”计划项目、企事 2001,45:5-32 业横向合作课题等项目多项，获省部级科技进步三等奖3 [20]BOSCH A,ZISSERMAN A,MUNOZ X.Image classifica- 次。发表学术论文近百篇，出版书籍5部。 tion using random forests and ferns [C]//Proceedings of 11th IEEE International Conference on Computer Vision. 宋沫飞，男，1986年生，博士研究 Rio de Janeiro,Brazil,2007:1-8. 生，主要研究方向为计算机图形学。 [21]SHILANE P,MIN P,KAZHDAN M,et al.The Princeton shape benchmark[C]//Proceedings of the IEEE Shape Modeling International.Washington,DC,USA,2004: 167-178 第28届AAAI人工智能会议 The Twenty-Eighth AAAI Conference on Artificial Intelligence (AAAI-14) The Twenty-Eighth AAAI Conference on Artificial Intelligence (AAAI-14)will be held July 27-31,2014 in Quebec City,Quebec,Canada.The purpose of this conference is to promote research in artificial intelligence(AI) and scientific exchange among AI researchers,practitioners,scientists,and engineers in affiliated disciplines. AAAI-14 will have a diverse technical track,student abstracts,poster sessions,invited speakers,tutorials,work- shops,and exhibit/competition programs,all selected according to the highest reviewing standards.AAAI-14 wel- comes submissions on mainstream AI topics as well as novel crosscutting work in related areas. Quebec City,a UNESCO World Heritage Treasure,is North America's most European city,filled with museums and other historic attractions.Quebec's beautiful Old Town Vieux-Quebec)is the only North American fortified city north of Mexico whose walls still exist.The convention center and conference hotel are only steps away from the historic section of Quebec.AAAI will be preceded by the CogSci2014 Conference,July 23-26,and plans are un- derway for coordination of events that would be of mutual interest to conference participants. Website:http://www.aaai.org/Conferences/AAAI/aaai14.php
ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｍｅｌｂｏｕｒｎｅ， Ａｕｓｔｒａｌｉａ， ２００２： ６５２ 后主持和参与国家自然科学基金、国家“８６３”计划项目、 业横向合作课题等项目多项，获省部级科技进步三等奖 次。 发表学术论文近百篇，出版书籍 ５ 部。 ３ 企事 ⁃ ６５７． ［１６］ ＫＡＵＰＰＩＥＮ Ｈ， ＳＥＰＡＮＥＮ Ｔ． Ａｎ ｅｘｐｅｒｉｍｅｎｔ ｃｏｍｐａｒｉｓｏｎ ｏｆ ａｕｔｏ ｒｅｇｒｅｓｓｉｖｅ ａｎｄ Ｆｏｕｒｉｅｒ ｂａｓｅｄ ｄｅｓｃｒｉｐｔｏｒｓ ｉｎ ２Ｄ ｓｈａｐｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａ⁃ ｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， １９９５， １７（２）： ２０１⁃２０７． ［１７］ＺＨＡＮＧ Ｄ， ＬＵ Ｇ． Ｓｈａｐｅ ｒｅｔｒｉｅｖａｌ ｕｓｉｎｇ Ｆｏｕｒｉｅｒ ｄｅｓｃｒｉｐｔｏｒｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２ｎｄ ＩＥＥＥ Ｐａｃｉｆｉｃ Ｒｉｍ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｕｌｔｉｍｅｄｉａ． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ， ２００１： １⁃９． ［１８］ＣＨＥＮ Ｄ Ｙ， ＴＩＡＮ Ｘ Ｐ， ＳＨＥＮ Ｙ Ｔ， ｅｔ ａｌ． Ｏｎ ｖｉｓｕａｌ ｓｉｍｉ⁃ ｌａｒｉｔｙ ｂａｓｅｄ ３Ｄ ｍｏｄｅｌ ｒｅｔｒｉｅｖａｌ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ Ｆｏ⁃ ｒｕｍ， ２００３， ２２（３）： ２２３⁃２３２． ２００１， ４５： ５⁃３２． ［２０］ＢＯＳＣＨ Ａ， ＺＩＳＳＥＲＭＡＮ Ａ， ＭＵＮＯＺ Ｘ． Ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａ⁃ ｔｉｏｎ ｕｓｉｎｇ ｒａｎｄｏｍ ｆｏｒｅｓｔｓ ａｎｄ ｆｅｒｎｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ １１ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｒｉｏ ｄｅ Ｊａｎｅｉｒｏ， Ｂｒａｚｉｌ， ２００７： １⁃８． ［２１］ＳＨＩＬＡＮＥ Ｐ， ＭＩＮ Ｐ， ＫＡＺＨＤＡＮ Ｍ， ｅｔ ａｌ． Ｔｈｅ Ｐｒｉｎｃｅｔｏｎ ｓｈａｐｅ ｂｅｎｃｈｍａｒｋ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｓｈａｐｅ Ｍｏｄｅｌｉｎｇ Ｉｎｔｅｒｎａｔｉｏｎａｌ． Ｗａｓｈｉｎｇｔｏｎ， ＤＣ， ＵＳＡ， ２００４： １６７⁃１７８． 作者简介： 李晨曦，男，１９９１ 年生，硕士研究 生，主要研究方向为计算机图形学。 孙正兴，男，１９６４ 年生，教授、博士 生导师、博士，中国计算机学会计算机 辅助设计与图形学专委会委员，中国人 工智能学会首届人工心理与人工情感 专委会委员。 主要研究方向为多媒体 ［１９］ ＢＲＥＩＭＡＮ Ｌ． Ｒａｎｄｏｍ ｆｏｒｅｓｔｓ ［ Ｊ ］． Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ， 宋沫飞，男，１９８６ 年生，博士研究 生，主要研究方向为计算机图形学。 第 ２８ 届 ＡＡＡＩ 人工智能会议 Ｔｈｅ Ｔｗｅｎｔｙ⁃Ｅｉｇｈｔｈ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＡＡＡＩ⁃１４） Ｔｈｅ Ｔｗｅｎｔｙ⁃Ｅｉｇｈｔｈ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ ＡＡＡＩ⁃１４） ｗｉｌｌ ｂｅ ｈｅｌｄ Ｊｕｌｙ ２７—３１， ２０１４ ｉｎ Ｑｕéｂｅｃ Ｃｉｔｙ， Ｑｕéｂｅｃ， Ｃａｎａｄａ． Ｔｈｅ ｐｕｒｐｏｓｅ ｏｆ ｔｈｉｓ ｃｏｎｆｅｒｅｎｃｅ ｉｓ ｔｏ ｐｒｏｍｏｔｅ ｒｅｓｅａｒｃｈ ｉｎ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ （ＡＩ） ａｎｄ ｓｃｉｅｎｔｉｆｉｃ ｅｘｃｈａｎｇｅ ａｍｏｎｇ ＡＩ ｒｅｓｅａｒｃｈｅｒｓ， ｐｒａｃｔｉｔｉｏｎｅｒｓ， ｓｃｉｅｎｔｉｓｔｓ， ａｎｄ ｅｎｇｉｎｅｅｒｓ ｉｎ ａｆｆｉｌｉａｔｅｄ ｄｉｓｃｉｐｌｉｎｅｓ． ＡＡＡＩ⁃１４ ｗｉｌｌ ｈａｖｅ ａ ｄｉｖｅｒｓｅ ｔｅｃｈｎｉｃａｌ ｔｒａｃｋ， ｓｔｕｄｅｎｔ ａｂｓｔｒａｃｔｓ， ｐｏｓｔｅｒ ｓｅｓｓｉｏｎｓ， ｉｎｖｉｔｅｄ ｓｐｅａｋｅｒｓ， ｔｕｔｏｒｉａｌｓ， ｗｏｒｋ⁃ ｓｈｏｐｓ， ａｎｄ ｅｘｈｉｂｉｔ ／ ｃｏｍｐｅｔｉｔｉｏｎ ｐｒｏｇｒａｍｓ， ａｌｌ ｓｅｌｅｃｔｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｈｉｇｈｅｓｔ ｒｅｖｉｅｗｉｎｇ ｓｔａｎｄａｒｄｓ． ＡＡＡＩ⁃１４ ｗｅｌ⁃ ｃｏｍｅｓ ｓｕｂｍｉｓｓｉｏｎｓ ｏｎ ｍａｉｎｓｔｒｅａｍ ＡＩ ｔｏｐｉｃｓ ａｓ ｗｅｌｌ ａｓ ｎｏｖｅｌ ｃｒｏｓｓｃｕｔｔｉｎｇ ｗｏｒｋ ｉｎ ｒｅｌａｔｅｄ ａｒｅａｓ． Ｑｕéｂｅｃ Ｃｉｔｙ， ａ ＵＮＥＳＣＯ Ｗｏｒｌｄ Ｈｅｒｉｔａｇｅ Ｔｒｅａｓｕｒｅ， ｉｓ Ｎｏｒｔｈ Ａｍｅｒｉｃａｓ ｍｏｓｔ Ｅｕｒｏｐｅａｎ ｃｉｔｙ， ｆｉｌｌｅｄ ｗｉｔｈ ｍｕｓｅｕｍｓ ａｎｄ ｏｔｈｅｒ ｈｉｓｔｏｒｉｃ ａｔｔｒａｃｔｉｏｎｓ． Ｑｕéｂｅｃｓ ｂｅａｕｔｉｆｕｌ Ｏｌｄ Ｔｏｗｎ （Ｖｉｅｕｘ⁃Ｑｕéｂｅｃ） ｉｓ ｔｈｅ ｏｎｌｙ Ｎｏｒｔｈ Ａｍｅｒｉｃａｎ ｆｏｒｔｉｆｉｅｄ ｃｉｔｙ ｎｏｒｔｈ ｏｆ Ｍｅｘｉｃｏ ｗｈｏｓｅ ｗａｌｌｓ ｓｔｉｌｌ ｅｘｉｓｔ． Ｔｈｅ ｃｏｎｖｅｎｔｉｏｎ ｃｅｎｔｅｒ ａｎｄ ｃｏｎｆｅｒｅｎｃｅ ｈｏｔｅｌ ａｒｅ ｏｎｌｙ ｓｔｅｐｓ ａｗａｙ ｆｒｏｍ ｔｈｅ ｈｉｓｔｏｒｉｃ ｓｅｃｔｉｏｎ ｏｆ Ｑｕéｂｅｃ． ＡＡＡＩ ｗｉｌｌ ｂｅ ｐｒｅｃｅｄｅｄ ｂｙ ｔｈｅ ＣｏｇＳｃｉ２０１４ Ｃｏｎｆｅｒｅｎｃｅ， Ｊｕｌｙ ２３—２６， ａｎｄ ｐｌａｎｓ ａｒｅ ｕｎ⁃ ｄｅｒｗａｙ ｆｏｒ ｃｏｏｒｄｉｎａｔｉｏｎ ｏｆ ｅｖｅｎｔｓ ｔｈａｔ ｗｏｕｌｄ ｂｅ ｏｆ ｍｕｔｕａｌ ｉｎｔｅｒｅｓｔ ｔｏ ｃｏｎｆｅｒｅｎｃｅ ｐａｒｔｉｃｉｐａｎｔｓ． Ｗｅｂｓｉｔｅ： ｈｔｔｐ： ／ ／ ｗｗｗ．ａａａｉ．ｏｒｇ ／ Ｃｏｎｆｅｒｅｎｃｅｓ／ ＡＡＡＩ／ ａａａｉ１４．ｐｈｐ ·１８· 智 能 系 统 学 报 第 ９ 卷 计算、计算机视觉与智能人机交互。 先