一种人体建模中曲面拟合的进化算法制造技术

本发明专利技术公开了一种人体建模中曲面拟合的进化算法，属于计算机应用技术领域。本发明专利技术的原理及有益效果：进化算法是一种新兴的搜索寻优技术，提供了一种求解复杂系统的通用框架。本发明专利技术将基于进化算法的B样条曲面拟合应用到人体建模中，首先利用进化算法的B样条曲线拟合方法确定曲线边界线，从而得到基面，再按照曲面拟合的基本原理反求出曲面控制点，依据进化算法对控制点适应度大小的判断进行优化选择，最终实现人体建模中的曲面拟合。该方法利用进化算法的鲁棒性提高计算速度和效率，简化求取过程，降低拟合过程产生的误差，进而证明了该方法的优越性。

【技术实现步骤摘要】

本专利技术涉及一种人体建模中曲面拟合进化算法，属于计算机应用

技术介绍
曲面拟合是计算机图形学中的重要研究内容之一，在工程领域中有着广泛的应用。随着人们对计算机图形显示的真实性、实时性和交互性等方面要求的日益提高，曲面拟合的表示方法被不断地开拓创新。样条曲面是实体造型，样条曲面是在虚拟现实等CAD/CAM领域中普遍使用的几何造型工具。目前CAD系统中的曲面主要是B样条曲面和NURBS曲面，其中，B样条曲面是通过逼近一组控制点来生成，并具有两个最大的优点(1)B样条多项式次数可独立于控制点数目；(2)B样条允许局部控制曲面。B样条曲面拟合方法中基于四边域曲面的几何重构方法是曲面重建中常用的方法。在CAD中，从点云中重建出被测物体表面的三角网格模型后，再将三角网格模型转换为用B样条表示的曲面。一般针对散乱点数据进行四边域曲面拟合，先根据散乱的数据构造一张基面，将数据点三角网格参数化，然后最小化测量数据到目标曲面的误差的平方和来判断所求目标曲面的精度，但一般的求取过程运算量较大，并且没有目的性。
技术实现思路
为了克服上述的不足，本专利技术提出一种人体建模中曲面拟合的进化算法。本专利技术采用如下技术方案在计算过程中，曲面控制顶点的反求是通过两个阶段曲线反算得到的。第一步根据复杂曲面上的呈矩形阵列的数据点Pi,j，(i = 0，1，=O,I,, S)，反求出控制点di.jQ = O, I,. . . , m; j = O, I,. . . , s),对控制顶点和数据点横、纵向进行平均规范积累弦长参数化从而得到节点矢量，这样就确定了一个B样条拟合曲面，该曲面逼近于已知的复杂曲面，但由于选取的数据点的数量、位置有可能存在噪声和摆动，所以计算出的拟合曲面在某些点处会过分偏离原有曲面。这时根据误差判断条件，实时调整偏离点处对应的控制顶点，便可修改拟合曲面的局部性状，达到更好的拟合效果。由于双三次B样条曲面具有良好的局部特性，工程实践中常常使用双三次B样条曲面来拟合复杂曲面，所以本专利技术采用双三次B样条曲面进行解释并运用四边域曲面拟合方法对其拟八口 ο四边界曲面拟合的具体步骤如下所示是I、边界预处理2、空间散乱点的参数化3、三角网格的建立4、建立数学模型第二步为了得到散乱数据点的逼近曲面模型，散乱点的个数必须大于所求曲面的未知控制顶点数(I >mXn)，这样才能保证未知数变量小于或等于方程数，目标函数为权利要求1. 一种人体建模中曲面拟合的进化算法，其特征在于包括以下几个步骤第一步根据复杂曲面上的呈矩形阵列的数据点P i, j，( i = O，I，. . .，r; j =O,I,. . . , S)，反求出控制点di.jQ = O, I,. . . , m; j = O, I,. . . , s),对控制顶点和数据点横、纵向进行平均规范积累弦长参数化从而得到节点矢量，这样就确定了一个B样条拟合曲面，该曲面逼近于已知的复杂曲面，但由于选取的数据点的数量、位置有可能存在噪声和摆动，所以计算出的拟合曲面在某些点处会过分偏离原有曲面；这时根据误差判断条件，实时调整偏离点处对应的控制顶点，便可修改拟合曲面的局部性状，达到更好的拟合效果，由于双三次B样条曲面具有良好的局部特性，工程实践中常常使用双三次B样条曲面来拟合复杂曲面；采用双三次B样条曲面进行解释并运用四边域曲面拟合方法对其拟合；所述四边域曲面拟合方法步骤如下1、边界预处理，2、空间散乱点的参数化，3、三角网格的建立，4、建立数学模型；第二步建立目标函数为. 2r =a± + 鄰K1)2 +WW +25二( )2](1.1)k 二Q所述Sr (u, O) = P (u, O) ; Sr (u, l)=p (u, I)Sr (O, v) = p (O, v) ;Sr(l, v) = p (I, v)svr (u, 0) = Pv (u, 0) ; Svr (u, I) = Pv (u, I)sur(0, v) = Pu(0, v) ;Sur(l, v) = pu(l, v)散乱点的个数必须大于所求曲面的未知控制顶点数(I >mXn)，r表示曲面的迭Ot η代次数Υ( !，V)是经过r次迭代后得到的曲面，并且=⑷；i=o J=OS1mi(u^v)、^,( ,v)、$v(w，v)是曲面S1Xu, V)的u, V两向量的二阶导数和混合偏导数；Pk(k=O, I,... I)为散乱数据点是散乱点Pk在r-Ι次迭代曲面上的参数值；α为逼近权，β为光顺权，且α+β =1 ;当α值越大时曲线越靠近逼近点，则β较小，曲线越不光顺；当β越大时，线越光顺，则α变小曲线到数据点的距离则越大，所以应调节好α和β平衡曲线光顺和精度的关系；所述可知目标曲面的目标函数是带有复杂约束条件的二次优化问题使目标函数Γ既能满足约束，又能达到最小，由此就可求得第r次几何迭代目标曲面的控制顶点为(i = O, I, ···, m; j = O, I, ···, η)；第三步目标函数Γ的求解目标函数Γ的优化分为两步；1.采用Delaunay三角化方法对散乱点进行三角网格拟合，以人体模型数据为例，优化整体曲面的边界线和基曲面；2.利用公目标函数运用最小二乘法反求出曲面控制点，将控制点进行编码产生初始群体，通过适应度函数f = I/ I (F (X，y，z) -z)2+ (y (x, y) -y)2+ (X-Xi)2- ε |求得最大值，即最终的曲面控制点，以便拟合出基面；所述拟合出基面的过程首先对反求出的控制点进行编码，对控制点数据分块得到相互 连接的矩形区域，为保证曲面的连续性，将每块曲面的左上角和右下角数值记录，以便确定细化曲面的范围，对分块后曲面内的数据建立初始群体，判断它的迭代次数是否超出给定范围，即初次分块迭代次数为零；如果超出则进入到上层计算重复分块动作，如果没有则接着从初始群体中随机选取第O代群体，所述第O代群体含有η个，所述初始群体含有N个基因，第O代群体含有η个；对其拟合并求出适应度，如果适应度达到给出的标准则停止循环，直接得到拟合曲面，如果不符合适应度的要求则根据适应度的大小对数据进行遗传和变异操作，判断新生代基因个数，如果小于初始群体个数则从余下的数据中随机选取使新生代群体达到η个，从而得到第一代群体，再进入到循环中直到满足停机条件得到最优的拟合曲面。全文摘要本专利技术公开了一种人体建模中曲面拟合的进化算法，属于计算机应用
本专利技术的原理及有益效果进化算法是一种新兴的搜索寻优技术，提供了一种求解复杂系统的通用框架。本专利技术将基于进化算法的B样条曲面拟合应用到人体建模中，首先利用进化算法的B样条曲线拟合方法确定曲线边界线，从而得到基面，再按照曲面拟合的基本原理反求出曲面控制点，依据进化算法对控制点适应度大小的判断进行优化选择，最终实现人体建模中的曲面拟合。该方法利用进化算法的鲁棒性提高计算速度和效率，简化求取过程，降低拟合过程产生的误差，进而证明了该方法的优越性。文档编号G06F17/50GK102938008SQ201210476158公开日2013年2月20日 申请日期2012年11月21日 优先权日2012年11月21日专利技术者杨继新, 刘芳, 陶学恒, 王学俊, 程金石, 王本文档来自技高网...

【技术保护点】
一种人体建模中曲面拟合的进化算法，其特征在于：包括以下几个步骤第一步：根据复杂曲面上的呈矩形阵列的数据点pi，j，（i＝0,1,...,r;j＝0,1,...,s），反求出控制点di，j(i＝0,1，...,m;j＝0,1，...,s)，对控制顶点和数据点横、纵向进行平均规范积累弦长参数化从而得到节点矢量，这样就确定了一个B样条拟合曲面，该曲面逼近于已知的复杂曲面，但由于选取的数据点的数量、位置有可能存在噪声和摆动，所以计算出的拟合曲面在某些点处会过分偏离原有曲面；这时根据误差判断条件，实时调整偏离点处对应的控制顶点，便可修改拟合曲面的局部性状，达到更好的拟合效果，由于双三次B样条曲面具有良好的局部特性，工程实践中常常使用双三次B样条曲面来拟合复杂曲面；采用双三次B样条曲面进行解释并运用四边域曲面拟合方法对其拟合；所述四边域曲面拟合方法步骤如下：1、边界预处理，2、空间散乱点的参数化，3、三角网格的建立，4、建立数学模型；第二步：建立目标函数为：Ir=αΣk=0j[Sr(ukr-1,vkr-1)-Pk]2+β[Suur(ukr-1,vkr-1)2+Svvr(ukr-1,vkr-1)2+2Suvr(ukr-1,vkr-1)2]---(1.1)所述：Sr(u,0)＝p(u,0);Sr(u,1)＝p(u,1)Sr(0,v)＝p(0,v);Sr(1,v)＝p(1,v)Svr(u,0)＝pv(u,0);Svr(u,1)＝pv(u,1)Sur(0,v)＝pu(0,v);Sur(1,v)＝pu(1,v)散乱点的个数必须大于所求曲面的未知控制顶点数(l＞m×n)，r表示曲面的迭代次数；sr(u,v)是经过r次迭代后得到的曲面，并且是曲面Sr(u,v)的u,v两向量的二阶导数和混合偏导数；Pk(k＝0,1,...l)为散乱数据点；是散乱点Pk在r？1次迭代曲面上的参数值；α为逼近权，β为光顺权，且α+β＝1；当α值越大时曲线越靠近逼近点，则β较小，曲线越不光顺；当β越大时，线越光顺，则α变小曲线到数据点的距离则越大，所以应调节好α和β平衡曲线光顺和精度的关系；所述可知目标曲面的目标函数是带有复杂约束条件的二次优化问题使目标函数Ir既能满足约束，又能达到最小，由此就可求得第r次几何迭代目标曲面的控制顶点为(i＝0,1,…,m;j＝0,1,…,n)；第三步：目标函数Ir的求解目标函数Ir的优化分为两步；1.采用Delaunay三角化方法对散乱点进行三角网格拟合，以人体模型数据为例，优化整体曲面的边界线和基曲面；2.利用公目标函数运用最小二乘法反求出曲面控制点，将控制点进行编码产生初始群体，通过适应度函数f＝1/|(F(x，y，z)？z)2+(y(x,y)？y)2+(x？xi)2？ε|求得最大值，即最终的曲面控制点，以便拟合出基面；所述拟合出基面的过程：首先对反求出的控制点进行编码，对控制点数据分块得到相互连接的矩形区域，为保证曲面的连续性，将每块曲面的左上角和右下角数值记录，以便确定细化曲面的范围，对分块后曲面内的数据建立初始群体，判断它的迭代次数是否超出给定范围，即初次分块迭代次数为零；如果超出则进入到上层计算重复分块动作，如果没有则接着从初始群体中随机选取 第0代群体，所述第0代群体含有n个，所述初始群体含有N个基因，第0代群体含有n个；对其拟合并求出适应度，如果适应度达到给出的标准则停止循环，直接得到拟合曲面，如果不符合适应度的要求则根据适应度的大小对数据进行遗传和变异操作，判断新生代基因个数，如果小于初始群体个数则从余下的数据中随机选取使新生代群体达到n个，从而得到第一代群体，再进入到循环中直到满足停机条件得到最优的拟合曲面。FDA00002444850200021.jpg,FDA00002444850200022.jpg,FDA00002444850200023.jpg,FDA00002444850200024.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：杨继新，刘芳，陶学恒，王学俊，程金石，王慧慧，张鹏，刘彤宴，卜繁岭，吕艳，刘佳琪，
申请(专利权)人：大连工业大学，
类型：发明
国别省市：