一种图形节点在三维场景中相互避让的方法与流程

1.本发明涉及三维测试技术领域，尤其涉及一种图形节点在三维场景中相互避让的方法。


背景技术：

2.三维模型是物体的多边形表示，通常用计算机或者其它视频设备进行显示，显示的物体可以是现实世界的实体，也可以是虚构的物体。任何物理自然界存在的东西都可以用三维模型表示，三维模型经常用三维建模工具这种专门的软件生成，但是也可以用其它方法生成。作为点和其它信息集合的数据，三维模型可以手工生成，也可以按照一定的算法生成。尽管通常按照虚拟的方式存在于计算机或者计算机文件中，但是在纸上描述的类似模型也可以认为是三维模型。三维模型广泛用任何使用三维图形的地方。实际上，它们的应用早于个人电脑上三维图形的流行。许多计算机游戏使用预先渲染的三维模型图像作为sprite用于实时计算机渲染，随着科技不断进步三维模型测试也随着成为人们调试各类装置的主要测试方式；
3.现有的图形节点在三维场景中相互避让的方法收集的各组节点信息的准确性低，容易导致测量精确性低下，降低工作质量；此外，现有的图形节点在三维场景中相互避让的方法需工作人员人工记录，降低工作人员工作效率，无法对相关路径信息进行优化，降低后续路径的可行性；为此，我们提出一种图形节点在三维场景中相互避让的方法。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种图形节点在三维场景中相互避让的方法。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种图形节点在三维场景中相互避让的方法，包括步骤：
7.收集区域信息并构建三维模型；
8.构建三维图形，并采集所述三维图形的节点信息；
9.筛选所述三维图形的节点；
10.运行模拟图形进行避让测试；
11.对多个所述三维图形的避让信息进行优化。
12.优选的，所述收集区域信息并构建相应的三维模型,具体为：
13.服务器接收遥感卫星所发送的影像数据,根据区域名称从影像数据中抓取环境信息，并从环境信息中提取障碍物特征数据，根据障碍物特征数据得到障碍物实际尺寸；
14.根据障碍物特征数据构建相应的障碍物模型，依据缩放比例对模型进行缩小；
15.构建空间直角坐标系,并将所述空间直角坐标系和所述影像数据进行数据融合，从所述障碍物特征数据中收集坐标点信息，根据坐标点信息，将障碍物模型拼接至空间直角坐标系以生产所述区域名称对应的三维模型；
16.收集所有的所述三维模型,构建区域存储库对所述三维模型进行存储,在所述区域存储库和服务器之间构建数据连接；
17.其中,所述环境信息是工作人员选定区域的建筑、地势以及植被覆盖信息,该信息以数字形式呈现；包括建筑所在位置坐标、植被覆盖区域的以数字形式呈现。
18.优选的,在所述区域存储库和服务器之间构建数据连接,包括步骤：在所述区域存储库内创建数据库表，将所述三维模型记录至数据库表中；
19.创建类模型，并在类模型的初始化过程中建立服务器和区域存储库的连接。
20.优选的，构建三维图形,并采集所述三维图形的节点信息,具体为：
21.服务器收集各个所述障碍物模型在不同视角下的图像数据,对所述图像数据做高斯平滑处理以过滤噪声干扰,之后对去除噪声干扰后的所述图像数据进行滤波处理；
22.将同一个所述障碍物模型在不同视角下的图像数据进行对比,以找出角点,依据找出的所述角点构建所述障碍物模型的角点坐标集；角点坐标集通过如下公式(1)计算：
23.tn＝((x1，y1)、(x
2，
y2)，(x3，y3)，
…
，(xn，yn)}；公式(1)
24.其中,xn代表角点的横坐标，yn代表角点的纵坐标；
25.当对所述障碍物模型的观察视角发生改变时,对滑动前与滑动后的窗口中的像素点的灰度变化进行计算,参照公式(2)、(3)和(4)：
[0026][0027][0028][0029]
对公式(3)的协方差矩阵m进行对角化，并收集对角化后的两组特征值,并对两组特征值判断；
[0030]
对各个所述角点的响应进行度量以得到度量值，将度量值与阈值进行比较，对大于该阈值的度量值进行标记，所述度量值对应的像素点即为图像中角点位置坐标；具体度量如下公式(5):
[0031]
r＝detm-k(tracem)2公式(5)
[0032]
其中，k代表常量，一般取值为0.04～0.06；
[0033]
其中,阈值是服务器默认阈值或工作人员设定阈值；
[0034]
对所述三维图形进行点云聚类处理，并通过3dharris检测图像梯度信息,对所述三维图形的节点的坐标信息进行计算以得到计算结果；
[0035]
将所述计算结果和设定阈值进行比较；如果计算结果大于设定阈值，则所述节点为局部极大值点，则判定所述节点为关键节点，否则所述节点不是关键节点。
[0036]
优选的,所述对两组特征值判断,具体为：
[0037]
当两组特征值都比较大时，即窗口中含有角点；
[0038]
当两组特征值一个较大，一个较小，窗口中含有边缘；
[0039]
当特征值都比较小，窗口处在平坦区域。
[0040]
优选的,筛选所述三维图形的节点，具体为：
[0041]
对学习网络模型进行训练优化，将收集到的所述三维图形的节点坐标信息导入学习网络模型中；
[0042]
学习网络模型对所述三维图形的节点坐标信息所对应的像素点图像进行归一化处理，同时对归一化后的像素点图像进行逐个区间的灰度的概率分布测量；
[0043]
收集测量结果，并将低于预设节点坐标标准的节点筛除，同时将对同一三维图形内的各组节点信息进行对比，并将存在重复以及冗余的节点信息删除，构建节点记录表以记录各组节点信息。
[0044]
优选的,所述对学习网络模型进行训练优化,具体为：
[0045]
学习网络模型与服务器的节点标准库通信连接，并提取所述节点标准库中存储的节点信息；
[0046]
其中,节点信息即采集到的坐标点信息；
[0047]
依据采集的所述节点信息构建节点信息集，并选取一个所述节点信息作为验证数据，并重复多次使用所述验证数据来验证测试模型的精度；
[0048]
对于每一组节点信息，选取任意一个子集作为测试集，再取剩余子集作为训练集，并对每组数据都进行一次预测，并将预测结果精确度最高的数据作为最优参数输出；
[0049]
依据最优参数对训练数据集进行标准化处理，最后将训练样本输送到学习网络模型中，并通过迭代训练对该学习网络模型进行实时更新。
[0050]
优选的,所述对多个所述三维图形的避让测,具体为：
[0051]
将各组三维图形预设的路径参数进行移动，并实时记录各组三维图形各节点坐标信息；
[0052]
对不同三维图形的各组坐标的x轴、y轴以及z轴进行距离计算，当两组三维图形的节点坐标存在距离小于0的情况，则判定两组三维图形发生碰撞，记录发生碰撞的两组节点坐标信息。
[0053]
优选的,所述根据分析结果对多个所述三维图形的避让信息进行更新,具体为：
[0054]
服务器接收发生碰撞的节点坐标信息；
[0055]
构建预测模型，同时对各组发生碰撞的节点坐标信息路径进行收集，服务器从互联网中抓取遗传算法，并对各组路径信息进行更新。
[0056]
相比于现有技术，本发明的有益效果在于：
[0057]
1.该图形节点在三维场景中相互避让的方法相较于以往避让方法，本发明通过服务器收集各区域三维模型中障碍物模型在不同视角下的图像数据，并找出对应的角点进行匹配，依据找出的各组角点构建各障碍物的角点坐标集，并通过3dharris检测使用的图像梯度信息，同时对各组三维图形的各组关键节点坐标信息进行计算，同时将收集到的各组节点坐标信息导入学习网络模型中，学习网络模型对各组节点坐标信息所对应的像素点图像进行归一化处理，同时对归一化后的像素点图像进行逐个区间的灰度的概率分布测量，并将低于工作人员设置节点坐标标准的节点筛除，同时将存在重复以及冗余的节点信息删除，构建节点记录表以记录各组节点信息，通过构建学习网络模型对节点信息进行筛除，能够提高各组节点信息的准确性，提高测试结果的精确性，提高工作质量；
[0058]
2.该图形节点在三维场景中相互避让的方法，服务器将各组三维图形按照服务器设置的路线信息移动，并实时记录各组三维图形各节点坐标信息，对不同三维图形的各组坐标的x轴、y轴以及z轴进行距离计算，当两组三维图形的节点坐标存在距离小于0的情况，则判断两组三维图形发生碰撞，同时记录两组发生碰撞的节点坐标信息，服务器接收各组发生碰撞的节点坐标信息，构建预测模型，并对各组发生碰撞的节点坐标信息路径进行收集，同时服务器自行从互联网中抓取相关遗传算法，并对各组路径信息进行更新，将更新后的路径信息同步至相对应的三维图形中，能够对发生碰撞节点信息进行收集记录，无需工作人员人工记录，提高工作人员工作效率，同时对相关路径信息进行优化，大幅提高后续路径的可行性。
附图说明
[0059]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0060]
图1为本发明提出的一种图形节点在三维场景中相互避让的方法的流程框图。
具体实施方式
[0061]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0062]
实施例1
[0063]
参照图1，本技术的图形节点在三维场景中相互避让的方法，包括步骤：
[0064]
收集区域信息并构建三维模型；
[0065]
服务器接收遥感卫星所发送的影像数据,根据区域名称从影像数据中抓取环境信息，并从环境信息中提取障碍物特征数据，根据障碍物特征数据得到障碍物实际尺寸。
[0066]
根据障碍物特征数据构建相应的障碍物模型，依据缩放比例对模型进行缩小。
[0067]
其中，所述缩放比例是由系统默认设置或根据需要人为设置；
[0068]
构建空间直角坐标系,并将所述空间直角坐标系和所述影像数据进行数据融合，从所述障碍物特征数据中收集坐标点信息，根据坐标点信息，将障碍物模型拼接至空间直角坐标系以生产所述区域名称对应的三维模型。
[0069]
收集所有的所述三维模型,构建区域存储库对所述三维模型进行存储,在所述区域存储库和服务器之间构建数据连接；
[0070]
其中，在所述区域存储库和服务器之间构建数据连接,包括步骤：
[0071]
在所述区域存储库内创建数据库表，将所述三维模型记录至数据库表中。
[0072]
创建类模型，并在类模型的初始化过程中建立服务器和区域存储库的连接。
[0073]
其中,所述环境信息是工作人员选定区域的建筑、地势以及植被覆盖信息,该信息以数字形式呈现；包括建筑所在位置坐标、植被覆盖区域的以数字形式呈现。
[0074]
构建三维图形，并采集所述三维图形的节点信息。
[0075]
服务器收集各个所述障碍物模型在不同视角下的图像数据,对所述图像数据做高斯平滑处理以过滤噪声干扰,之后对去除噪声干扰后的所述图像数据进行滤波处理。
[0076]
将同一个所述障碍物模型在不同视角下的图像数据进行对比,以找出角点,依据
找出的所述角点构建所述障碍物模型的角点坐标集；角点坐标集通过如下公式(1)计算：
[0077]
tn＝((x1，y1)，(x2，y2)，(x3，y3)，
…
，(xn，yn)}；
ꢀꢀꢀ
公式(1)
[0078]
其中,xn代表角点的横坐标，yn代表角点的纵坐标；
[0079]
当对所述障碍物模型的观察视角发生改变时,对滑动前与滑动后的窗口中的像素点的灰度变化进行计算,参照公式(2)、(3)和(4)：
[0080][0081][0082]
对公式(3)的协方差矩阵m进行对角化，并收集对角化后的两组特征值,并对两组特征值判断。
[0083]
所述对两组特征值判断,具体为：
[0084]
当两组特征值都比较大时，即窗口中含有角点。
[0085]
当两组特征值一个较大，一个较小，窗口中含有边缘。
[0086]
当特征值都比较小，窗口处在平坦区域。
[0087]
对各个所述角点的响应进行度量以得到度量值，将度量值与阈值进行比较，对大于该阈值的度量值进行标记，所述度量值对应的像素点即为图像中角点位置坐标；具体度量如下公式(5):
[0088]
r＝detm-k(tracem)2ꢀꢀꢀ
公式(5)
[0089]
其中，k代表常量，一般取值为0.04～0.06；
[0090]
其中,阈值是服务器默认阈值或工作人员设定阈值。
[0091]
对所述三维图形进行点云聚类处理，并通过3dharris检测图像梯度信息,对所述三维图形的节点的坐标信息进行计算以得到计算结果。
[0092]
将所述计算结果和设定阈值进行比较；如果计算结果大于设定阈值，则所述节点为局部极大值点，则判定所述节点为关键节点，否则所述节点不是关键节点。
[0093]
筛选所述三维图形的节点，具体为：
[0094]
对学习网络模型进行训练优化，将收集到的所述三维图形的节点坐标信息导入学习网络模型中。
[0095]
其中，所述对学习网络模型进行训练优化,具体为：
[0096]
学习网络模型与服务器的节点标准库通信连接，并提取所述节点标准库中存储的节点信息。
[0097]
其中,节点信息即采集到的坐标点信息。
[0098]
依据采集的所述节点信息构建节点信息集，并选取一个所述节点信息作为验证数据，并重复多次使用所述验证数据来验证测试模型的精度。
[0099]
对于每一组节点信息，选取任意一个子集作为测试集，再取剩余子集作为训练集，并对每组数据都进行一次预测，并将预测结果精确度最高的数据作为最优参数输出。
[0100]
依据最优参数对训练数据集进行标准化处理，最后将训练样本输送到学习网络模型中，并通过迭代训练对该学习网络模型进行实时更新。
[0101]
学习网络模型对所述三维图形的节点坐标信息所对应的像素点图像进行归一化处理，同时对归一化后的像素点图像进行逐个区间的灰度的概率分布测量。
[0102]
收集测量结果，并将低于预设节点坐标标准的节点筛除，同时将对同一三维图形内的各组节点信息进行对比，并将存在重复以及冗余的节点信息删除，构建节点记录表以记录各组节点信息。
[0103]
运行模拟图形进行避让测试,包括：
[0104]
将各组三维图形预设的路径参数进行移动，并实时记录各组三维图形各节点坐标信息。
[0105]
对不同三维图形的各组坐标的x轴、y轴以及z轴进行距离计算，当两组三维图形的节点坐标存在距离小于0的情况，则判定两组三维图形发生碰撞，记录发生碰撞的两组节点坐标信息。
[0106]
对多个所述三维图形的避让信息进行优化更新,包括步骤：
[0107]
服务器接收发生碰撞的节点坐标信息。
[0108]
构建预测模型，同时对各组发生碰撞的节点坐标信息路径进行收集，服务器从互联网中抓取遗传算法，并对各组路径信息进行更新，将更新后的路径信息同步至相应的三维图形中。
[0109]
在一个实施例中，该图形节点在三维场景中相互避让的方法相较于以往避让方法，本发明通过服务器收集各区域三维模型中障碍物模型在不同视角下的图像数据，并找出对应的角点进行匹配，依据找出的各组角点构建各障碍物的角点坐标集，并通过3dharris检测使用的图像梯度信息，同时对各组三维图形的各组关键节点坐标信息进行计算，同时将收集到的各组节点坐标信息导入学习网络模型中，学习网络模型对各组节点坐标信息所对应的像素点图像进行归一化处理，同时对归一化后的像素点图像进行逐个区间的灰度的概率分布测量，并将低于工作人员设置节点坐标标准的节点筛除，同时将存在重复以及冗余的节点信息删除，构建节点记录表以记录各组节点信息，通过构建学习网络模型对节点信息进行筛除，能够提高各组节点信息的准确性，提高测试结果的精确性，提高工作质量；
[0110]
该图形节点在三维场景中相互避让的方法，服务器将各组三维图形按照服务器设置的路线信息移动，并实时记录各组三维图形各节点坐标信息，对不同三维图形的各组坐标的x轴、y轴以及z轴进行距离计算，当两组三维图形的节点坐标存在距离小于0的情况，则判断两组三维图形发生碰撞，同时记录两组发生碰撞的节点坐标信息，服务器接收各组发生碰撞的节点坐标信息，构建预测模型，并对各组发生碰撞的节点坐标信息路径进行收集，同时服务器自行从互联网中抓取相关遗传算法，并对各组路径信息进行更新，将更新后的路径信息同步至相对应的三维图形中，能够对发生碰撞节点信息进行收集记录，无需工作人员人工记录，提高工作人员工作效率，同时对相关路径信息进行优化，大幅提高后续路径的可行性。
[0111]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其
发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。