CN112652070B - 三维模型的减面方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及三维模型技术领域，本发明公开了一种三维模型的减面方法、装置、设备及介质，所述方法包括：通过获取待处理三维文件，构建与待处理三维文件对应的三维模型数据；对三维模型数据进行减面识别，得到减面结果以及与减面结果对应的基准减面值；在减面结果为需减面时，根据基准减面值，确定与三维模型数据中的各子模型对应的目标面数值；根据所有与子模型对应的目标面数值，对三维模型数据做相应的减面；将减面后的三维模型数据压缩成减面三维文件并输出。本发明实现了自动识别减面结果和基准减面值，自动输出目标面数值，并按目标面数值进行相应减面，以及压缩输出，无需人工操作，并提高了三维模型减面的效率，提高了三维模型减面的质量。

Description

三维模型的减面方法、装置、设备及介质

技术领域

本发明涉及三维模型技术领域，尤其涉及一种三维模型的减面方法、装置、设备及介质。

背景技术

三维模型已经广泛应用于各个领域，例如家居行业、建筑行业、医疗行业、电影行业、视频游戏产业以及在科学研究及工程应用等领域。三维模型物体是由三角形面片组成，三维模型的渲染及制作对硬件***和建模软件的要求极高。一般三维模型的面数从几十到数百万不等，硬件配置过低的电脑处理稍微复杂的三维模型则会出现不同程度的卡顿，模型渲染的时间也随模型的复杂程度及模型的面数变化，因此三维模型的三角面数是影响模型渲染时效率和帧数的关键因素。

目前，现有技术主要采用以下两种方法对三维模型进行减面：第一种是使用一些主流建模软件官方提供的相关减面插件进行一定程度的自动减面；第二种是按照原模型的轮廓，重新构造出一个简化的模型，或者在原模型的基础上通过人工进行手动减面。

然而，虽然上述两种方法均可实现对三维模型进行减面，但是却有不同程度的缺陷存在。具体的，方法一中所使用的插件一般都需要付费，而且多边形减面工具生成的结果无法满足特殊需求，很难针对模型的特点进行精细处理，三角面片减到一定的比例就会出现不同程度的走样甚至变形；方法二需要以人眼来判断减面的效果，该方法虽然效果好，面片数量可人为控制，但是费时费工，人力成本极高，无法适应大规模化的模型处理。

故，有必要提供一种技术方案，以解决上述技术问题。

发明内容

本发明提供一种三维模型的减面方法、装置、计算机设备及存储介质，实现了自动完成三维模型的减面操作，无需人工操作，减少了人工成本，并提高了三维模型减面的效率，以及保证了三维模型减面的有效性和不失真，提高了三维模型减面的质量。

一种三维模型的减面方法，包括：

获取待处理三维文件，构建与所述待处理三维文件对应的三维模型数据；

对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值；

在所述减面结果为需减面时，根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值；

根据所有与所述子模型对应的目标面数值，对所述三维模型数据做相应的减面；

将减面后的所述三维模型数据压缩成减面三维文件并输出；

所述对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值，包括：

对所述三维模型数据进行平面数据收集，得到多个平面数据；所述平面数据包括平面图像、平面面数和平面尺寸；

将所有所述平面图像输入减面识别模型，通过所述减面识别模型对所有所述平面图像进行纹理特征提取，获取所述减面识别模型根据提取的所述纹理特征识别出的所述减面结果；

在所述减面结果为需减面时，将各所述平面数据中的所述平面面数和所述平面尺寸进行向量转换，得到与所述三维模型数据对应的向量矩阵；

将所述向量矩阵输入基准识别模型，通过所述基准识别模型对所述向量矩阵进行基准减面预测，得到与所述减面结果对应的所述基准减面值。

一种三维模型的减面装置，包括：

获取模块，用于获取待处理三维文件，构建与所述待处理三维文件对应的三维模型数据；

识别模块，用于对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值；

确定模块，用于在所述减面结果为需减面时，根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值；

减面模块，用于根据所有与所述子模型对应的目标面数值，对所述三维模型数据做相应的减面；

输出模块，用于将减面后的所述三维模型数据压缩成减面三维文件并输出；

所述识别模块还用于：

对所述三维模型数据进行平面数据收集，得到多个平面数据；所述平面数据包括平面图像、平面面数和平面尺寸；

将所有所述平面图像输入减面识别模型，通过所述减面识别模型对所有所述平面图像进行纹理特征提取，获取所述减面识别模型根据提取的所述纹理特征识别出的所述减面结果；

在所述减面结果为需减面时，将各所述平面数据中的所述平面面数和所述平面尺寸进行向量转换，得到与所述三维模型数据对应的向量矩阵；

将所述向量矩阵输入基准识别模型，通过所述基准识别模型对所述向量矩阵进行基准减面预测，得到与所述减面结果对应的所述基准减面值。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述三维模型的减面方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述三维模型的减面方法的步骤。

本发明提供的三维模型的减面方法、装置、计算机设备及存储介质，通过获取待处理三维文件，构建与所述待处理三维文件对应的三维模型数据；对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值；在所述减面结果为需减面时，根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值；根据所有与所述子模型对应的目标面数值，对所述三维模型数据做相应的减面；将减面后的所述三维模型数据压缩成减面三维文件并输出，如此，实现了通过构建三维模型数据，自动识别减面结果和基准减面值，在减面结果为需减面时，自动输出三维模型数据中的各子模型的目标面数值，并对各子模型减面按与其对应的目标面数值进行相应减面，并压缩输出减面三维文件，达到自动完成三维模型的减面操作，无需人工操作，减少了人工成本，并提高了三维模型减面的效率，以及保证了三维模型减面的有效性和不失真，提高了三维模型减面的质量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中三维模型的减面方法的应用环境示意图；

图2是本发明一实施例中三维模型的减面方法的流程图；

图3是本发明一实施例中三维模型的减面方法的步骤S20的流程图；

图4是本发明另一实施例中三维模型的减面方法的步骤S20的流程图；

图5是本发明一实施例中三维模型的减面方法的步骤S30的流程图；

图6是本发明一实施例中三维模型的减面装置的转换模块的原理框图；

图7是本发明一实施例中计算机设备的示意图。

具体实施方式

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的三维模型的减面方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种三维模型的减面方法，其技术方案主要包括以下步骤S10-S50：

S10，获取待处理三维文件，构建与所述待处理三维文件对应的三维模型数据。

可理解地，所述待处理三维文件为未进行加工且需要进行减面处理的原始的三维模型的文件，所述构建所述三维模型数据的过程为通过应用程序软件打开所述待处理三维文件，比如应用程序软件为3dsMax软件，通过3dsMax软件可以构建出所述三维模型数据，所述三维模型数据为通过所述应用程序软件解码展示的数据，所述三维模型数据包括三维模型和该三维模型下的各个子模型，所述三维模型为具有成三维结构的模型，所述子模型为构成所述三维模型的子物件的模型。

S20，对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值。

可理解地，所述减面识别的处理方式可以根据需求进行设定，通过所述减面识别的处理过程可以识别出所述三维模型是否需要进行减面，即所述三维模型数据是否需要减面处理，以及在需减面的情况下，识别出基准减面值，在无需减面的情况下，将所述基准减面值设置为零，表明所述三维模型数据无需进行减面操作，说明所述三维模型数据已经达到无法减面的情况，如果再经过减面操作会出现渲染失真或者破坏三维模型的后果，所述减面结果表明了所述三维模型数据是否需要进行减面操作的结果，所述基准减面值为针对所述三维模型确定出的减面的基准值，比如所述减面识别的处理方式可以为对所述三维模型数据进行面数统计得到所述三维模型数据的总面数，根据总面数判断是否需要减面，如果需要减面，就结合各个所述子模型的体积值、表面积值和尺寸值确定出基准减面值的处理过程，所述减面识别的处理方式也可也为对所述三维模型数据进行平面数据收集，得到多个平面数据，通过减面识别模型对所有所述平面数据中的平面图像进行纹理特征提取，获取输出的减面结果，在需减面情况下，将各所述平面数据中的平面面数和平面尺寸进行向量转换成向量矩阵，通过基准识别模型对所述向量矩阵进行基准减面预测，预测出所述基准减面值的处理过程。

其中，所述体积值为所述子模型的体积的值，所述表面积值为所述子模型的表面积的值，所述尺寸值为所述子模型的长宽高的值，所述平面数据为所述三维模型的空间形体的上、下、左、右、前、后六个方位的捕获下获得的数据，所述平面数据包括平面图像、平面面数和平面尺寸，所述平面图像为捕获的二值图像，即灰度化处理后的图像，所述平面面数为在一个方位捕获下的平面图像中的所有面数，所述平面尺寸为一个方位捕获下的平面图像中的三维模型的极限长和极限宽，所述极限长为捕获下的三维模型的最大长，所述极限宽为捕获下的三维模型的最大宽，所述平面尺寸包括所述极限长和所述极限宽。

在一实施例中，所述步骤S20之后，即所述对所述三维模型进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值之后，还包括：S60，在所述减面结果为无需减面时，将所述三维模型数据压缩成减面三维文件并输出。

可理解地，在所述三维模型无需减面的情况下，直接将所述三维模型数据压缩成所述减面三维文件，即运用LZMA(Lempel-Ziv-Markov chain-Algorithm)压缩算法，对所述三维模型数据进行压缩，得到所述减面三维文件，所述LZMA压缩算法使用了区间编码支持的LZ77(无损压缩算法)的改进压缩算法以及特殊用于二进制的预处理程序的算法。

本发明实现了自动判断出减面结果为无需减面时，自动压缩三维模型数据得到减面三维文件，减少了人工自动识别及压缩的成本，自动压缩待处理三维文件，减小了文件大小。

在一实施例中，如图3所示，所述步骤S20中，即所述对所述三维模型进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值，包括：

S201，对所述三维模型数据进行面数统计，得到所述三维模型数据的总面数。

可理解地，所述面数统计为对所述三维模型中的各个所述子模型的面数进行统计的过程，所述总面数为经过所述面数统计处理后得到的面数总和，也即三维模型有多少个多边形就有多少个面数。

S202，判断所述总面数是否大于预设面数阈值。

可理解地，所述预设面数阈值为预设的面数的值，所述预设面数阈值为设置的减面到最小的面数值，例预设面数阈值为8、10等等，判断所述总面数是否比所述预设面数阈值还小，如果所述总面数小于所述预设面数阈值，说明已经不能再减面，此时，无需进行减面。

S203，若所述总面数大于所述预设面数阈值，则将所述减面结果确定为需减面。

可理解地，如果所述总面数大于所述预设面数阈值，就表明所述三维模型数据需要减面，即需对所述三维模型中的子模型需要减面，此时，将所述减面结果确定为需减面，所述减面结果包括需减面和无需减面。

S204，获取所述三维模型数据中的各所述子模型的体积值、表面积值和尺寸值。

可理解地，构建的所述三维模型数据中能够获取到所述三维模型中的各个所述子模型的所述体积值、所述表面积值和所述尺寸值。

S205，对所有所述子模型的所述体积值进行排序，得到第一排序结果，对所有所述子模型的所述表面积值进行排序，得到第二排序结果，对所有所述子模型的所述尺寸值进行排序，得到第三排序结果；

可理解地，对各所述子模型的所述体积値进行由大到小的顺序进行排序，将排序后的所有所述体积值确定为所述第一排序结果，对各所述子模型的所述表面积值进行由大到小的顺序进行排序，将排序后的所有所述表面积值确定为所述第二排序结果，对各所述子模型的所述尺寸值进行有大到小的顺序进行排序，将排序后的所有所述尺寸值确定为所述第三排序结果。

S206，根据所述第一排序结果、所述第二排序结果和所述第三排序结果，确定与所述减面结果对应的所述基准减面值。

可理解地，将所述第一排序结果中的序列靠前的前三的所述体积值和所述第一排序结果中的序列靠后的倒数三个所述体积值进行平均，得到第一排序均值，同理对所述第二排序结果和所述第三排序结果进行处理，分别得到第二排序均值和第三排序均值，对所述第一排序均值、所述第二排序均值和所述第三排序均值进行映射转换，转换成同一维度(即基准减面维度)的值，即检测所述第一排序均值落入哪一区段的数值范围，就将其映射成与该数值范围对应的第一基准值，同理对所述第二排序均值和所述第三排序均值做相同的映射转换处理，分别得到第二基准值和第三基准值，将所述第一基准值、所述第二基准值和所述第三基准值输入基准减面函数中，通过所述基准减面函数计算出所述基准减面值，所述基准减面函数为：

L＝α₁L₁+α₂L₂+α₃L₃

其中：

L为基准减面值；

L₁为第一基准值；

L₂为第二基准值；

L₃为第三基准值；

α₁为预设的第一基准权重；

α₂为预设的第二基准权重；

α₃为预设的第三基准权重。

本发明实现了通过对所述三维模型数据进行面数统计，得到所述三维模型数据的总面数；判断所述总面数是否大于预设面数阈值；若所述总面数大于所述预设面数阈值，则将所述减面结果确定为需减面；获取所述三维模型数据中的各所述子模型的体积值、表面积值和尺寸值；对所有所述子模型的所述体积值进行排序，得到第一排序结果，对所有所述子模型的所述表面积值进行排序，得到第二排序结果，对所有所述子模型的所述尺寸值进行排序，得到第三排序结果；根据所述第一排序结果、所述第二排序结果和所述第三排序结果，确定与所述减面结果对应的所述基准减面值，如此，实现了通过面数统计、预设面数阈值，自动判断是否需要进行减面，并通过对所述三维模型数据中的各所述子模型的体积值、表面积值和尺寸值进行排序，结合排序结果自动确定出基准减面值，减少人工操作，无需人工主观性的识别，提高了识别的准确性和可靠性，提高了三维模型减面的质量。

在一实施例中，如图4所示，所述步骤S20中，即所述对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值，还包括：

S207，对所述三维模型数据进行平面数据收集，得到多个平面数据；所述平面数据包括平面图像、平面面数和平面尺寸。

可理解地，所述平面数据收集为对所述三维模型数据进行六个面的捕获，得到所述三维模型数据在六个平面的所述平面图像；对各个所述平面图像进行面数汇总，得到与各所述平面图像对应的所述平面面数，同时对各个所述平面图像进行尺寸测量，得到与各所述平面图像对应的所述平面尺寸的处理过程。

在一实施例中，所述步骤S207中，即所述对所述三维模型数据进行平面数据收集，得到多个平面数据；所述平面数据包括平面图像、平面面数和平面尺寸，包括：

S2071，对所述三维模型数据进行六个面的捕获，得到所述三维模型数据在六个平面的所述平面图像。

可理解地，所述捕获的过程为通过所述应用程序软件从空间形体的上、下、左、右、前、后六个方位进行捕获出所述平面图像的过程，也可理解为从上、下、左、右、前、后六个方位进行拍摄出图像然后进行二值化(即灰度化处理)后的图像的过程，所述二值化处理(即灰度化处理)是把含有亮度和色彩的彩色图像变化成灰度图像的过程。

S2072，对各个所述平面图像进行面数汇总，得到与各所述平面图像对应的所述平面面数，同时对各个所述平面图像进行尺寸测量，得到与各所述平面图像对应的所述平面尺寸。

可理解地，所述面数汇总为计算所述平面图像中的面数个数，从而得到该平面图像的平面面数，所述尺寸测量为测量所述平面图像中的平面维度的所述极限长和所述极限宽的过程。

S2073，将一个所述平面图像和与该平面图像对应的所述平面面数以及所述平面尺寸确定为一个所述平面数据。

可理解地，将一个方位的所述平面图像和与该平面图像对应的所述平面面数以及所述平面尺寸标记为该方位的所述平面数据。

S208，将所有所述平面图像输入减面识别模型，通过所述减面识别模型对所有所述平面图像进行纹理特征提取，获取所述减面识别模型根据提取的所述纹理特征识别出的所述减面结果。

可理解地，所述减面识别模型为训练完成的深度神经网络模型，所述减面识别模型的网络结构可以根据需求设定，优选为，所述减面识别模型的网络结构为VGG19的网络结构，所述减面识别模型为实现了通过提取所有所述平面图像中的所述纹理特征，并识别出是否需要减面的减面结果的模型，所述纹理特征为平面图像中多边形的边的长短、密度或者重合相关的特征，因为平面图像中的平面面数越多，纹理特征越明显，所以通过提取所述纹理特征能够更准确的确定出是否需要减面的减面结果，通过所述减面识别模型提取出的各所述平面图像中的所述纹理特征，并综合各所述平面图像中的所述纹理特征识别出所述减面结果。

在一实施例中，所述步骤S208之前，即所述将所有所述平面图像输入减面识别模型之前，包括：

S2081，获取训练样本集；所述训练样本集包括多个训练样本；每个所述训练样本与一个减面标签关联；所述减面标签包括需减面和无需减面；一个所述训练样本包括一个历史收集的三维模型样本中的六个平面样本图像。

可理解地，所述训练样本集为所述训练样本的集合，所述训练样本为历史收集的三维模型样本，所述三维模型样本为具有三维模型的数据作为样本，所述训练样本包括三维模型样本中的六个平面样本图像，所述减面标签表明了与其对应的所述训练样本是否需要减面的历史的结果，即所述减面标签为历史的所述训练样本是否进行过减面而赋予的标签，所述减面标签包括需减面和无需减面，一个所述训练样本与一个所述减面标签关联。

S2082，将所述训练样本输入包含初始参数的深度神经网络模型。

可理解地，所述深度神经网络模型包括所述初始参数。

S2083，通过所述深度神经网络模型提取所述训练样本中的所有所述平面样本图像的所述纹理特征。

S2084，获取所述深度神经网络模型根据提取的所述纹理特征输出的减面样本结果，并根据所述减面样本结果和所述减面标签的匹配程度确定损失值；

可理解地，所述深度神经网络模型根据提取的所述纹理特征进行识别，识别出所述训练样本是否需要减面，输出识别的结果作为所述减面样本结果，所述减面样本结果包括需减面和无需减面，所述减面样本结果表明了所述训练样本是否需要减面的结果，将与所述训练样本对应的所述减面样本结果和所述减面标签进行匹配，运用二分类交叉熵损失算法，可以匹配出两者之间的差异程度，从而计算出所述损失值，所述损失值衡量出所述减面样本结果和所述减面标签之间的差距，通过所述损失值可以不断让所述深度神经网络模型向准确的识别结果靠拢，提高识别的准确性。

S2085，在所述损失值未达到预设的收敛条件时，迭代更新所述深度神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述深度神经网络模型记录为训练完成的减面识别模型。

可理解地，所述收敛条件可以为所述损失值经过了1000次计算后值为很小且不会再下降的条件，即在所述损失值经过1000次计算后值为很小且不会再下降时，停止训练，并将收敛之后的所述深度神经网络模型记录为训练完成的减面识别模型；所述收敛条件也可以为所述损失值小于设定阈值的条件，即在所述损失值小于设定阈值时，停止训练，并将收敛之后的所述深度神经网络模型记录为训练完成的减面识别模型，如此，在所述损失值未达到预设的收敛条件时，不断调整所述深度神经网络模型的初始参数，并触发通过所述深度神经网络模型提取所述训练样本中的所有所述平面样本图像的所述纹理特征的步骤，可以不断向准确的结果靠拢，让识别的准确率越来越高。如此，能够优化减面识别，提高了三维模型减面识别的准确性和可靠性。

本发明实现了通过获取训练样本集；通过所述深度神经网络模型提取所述训练样本中的所有所述平面样本图像的所述纹理特征；获取所述深度神经网络模型根据提取的所述纹理特征输出的减面样本结果，并根据所述减面样本结果和所述减面标签的匹配程度确定损失值；在所述损失值未达到预设的收敛条件时，迭代更新所述深度神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述深度神经网络模型记录为训练完成的减面识别模型，如此，本发明实现了通过历史的训练样本进行纹理特征的提取，并识别出减面样本结果，根据损失值不断迭代初始参数，实现了准确地、快速地识别出输入的图像是否需要减面的结果，能够提升三维模型减面识别的准确率和质量，减少了成本，提高了训练效率。

S209，在所述减面结果为需减面时，将各所述平面数据中的所述平面面数和所述平面尺寸进行向量转换，得到与所述三维模型数据对应的向量矩阵。

可理解地，如果所述减面结果为需减面时，将各所述平面数据中的所述平面面数和所述平面尺寸进行向量转换，所述向量转换为将所述平面面数和所述平面尺寸转换成与其对应的同一维度(预设维度个数)的二进制码，例如都转换成16位二进制码，将一个所述平面数据中的所述平面面数和所述平面尺寸转换后的值组成一维的数组，将所有所述平面数据进行向量转换后组合成多维的数组，将该多维的数组确定为所述向量矩阵。

S210，将所述向量矩阵输入基准识别模型，通过所述基准识别模型对所述向量矩阵进行基准减面预测，得到与所述减面结果对应的所述基准减面值。

可理解地，所述基准识别模型为训练完成的聚类模型，所述基准识别模型通过历史收集的向量矩阵进行聚类，可以学习预测出基准减面值与向量矩阵之间的隐藏的映射关系，通过所述基准识别模型对所述向量矩阵进行基准减面预测，可以预测出与其对应的所述基准减面值。

本发明实现了通过对所述三维模型数据进行平面数据收集，得到多个平面数据；将所有所述平面图像输入减面识别模型，通过所述减面识别模型对所有所述平面图像进行纹理特征提取，获取所述减面识别模型根据提取的所述纹理特征识别出的所述减面结果；在所述减面结果为需减面时，将各所述平面数据中的所述平面面数和所述平面尺寸进行向量转换，得到与所述三维模型数据对应的向量矩阵；将所述向量矩阵输入基准识别模型，通过所述基准识别模型对所述向量矩阵进行基准减面预测，得到与所述减面结果对应的所述基准减面值，如此，实现了通过对三维模型数据进行平面数据收集，以及通过减面识别模型提取纹理特征，能够识别出所述三维模型数据是否需要减面的减面结果，并且通过向量转换和基准识别模型能够预测出基准减面值，因此，能够准确地、科学地自动识别出是否需要减面的减面结果，而且能够快速预测出基准减面值，为后续三维模型的减面提供数据依据，提高了三维模型减面的识别准确率和质量。

S30，在所述减面结果为需减面时，根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值。

可理解地，在所述减面结果为需减面时，结合所述基准减面值，以及所述三维模型数据中的各所述子模型的体积值、体积占比值、表面积值、表面积占比值、尺寸值和尺寸占比值计算出所述三维模型数据中的各个子模型的所述目标面数值，一个所述子模型的所述目标面数值表明了该子模型需要减面达到的面数的值。

在一实施例中，如图5所示，所述步骤S30中，即所述根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值，包括：

S301，获取所述三维模型数据中的各所述子模型的体积值、体积占比值、表面积值、表面积占比值、尺寸值和尺寸占比值。

可理解地，所述三维模型数据还包括各所述子模型的所述体积占比值、所述表面积占比值和所述尺寸占比值，所述体积占比值为所述子模型的体积值占所述三维模型的总体积的百分比，所述表面积占比值为所述子模型的表面积值占所述三维模型的总表面积的百分比，所述尺寸占比值为所述子模型的尺寸值占所述三维模型的总尺寸的百分比，即各子模型的极限长和极限宽的乘积占所述三维模型的长和宽的乘积的百分比。

S302，根据各所述子模型的所述体积值、所述表面积值和所述尺寸值，确定出与各所述子模型对应的保护面数值。

可理解地，根据所述子模型的所述体积值、所述表面积值和所述尺寸值，可以映射出与其对应的所述保护面数值，所述保护面数值为保证子模型的轮廓不被减面破坏的面数，即所述体积值、所述表面积值和所述尺寸值分别落入哪一区段，然后根据分别落入的三个区段映射出一个保护面数值，其中，三个维度的区段与一个保护面数值映射对应。

S303，将所述基准减面值与各所述子模型的所述体积占比值相乘，得到与各所述子模型对应的第一占比值，将所述基准减面值与各所述子模型的所述表面积占比值相乘，得到与各所述子模型对应的第二占比值，将所述基准减面值与各所述子模型的所述尺寸占比值相乘，得到与各所述子模型对应的第三占比值。

S304，根据与相同的所述子模型对应的所述保护面数值、所述第一占比值、所述第二占比值和所述第三占比值，确定出与该子模型对应的所述目标面数值。

可理解地，通过与所述子模型对应的所述第一占比值、所述第二占比值和所述第三占比值，确定出与所述子模型对应的预估面数值，通过与所述子模型对应的所述预估面数值与所述保护面数值进行比较，从而确定出与该子模型对应的所述目标面数值。

本发明实现了通过获取所述三维模型数据中的各所述子模型的体积值、体积占比值、表面积值、表面积占比值、尺寸值和尺寸占比值；根据各所述子模型的所述体积值、所述表面积值和所述尺寸值，确定出与各所述子模型对应的保护面数值；将所述基准减面值与各所述子模型的所述体积占比值相乘，得到与各所述子模型对应的第一占比值，将所述基准减面值与各所述子模型的所述表面积占比值相乘，得到与各所述子模型对应的第二占比值，将所述基准减面值与各所述子模型的所述尺寸占比值相乘，得到与各所述子模型对应的第三占比值；根据与相同的所述子模型对应的所述保护面数值、所述第一占比值、所述第二占比值和所述第三占比值，确定出与该子模型对应的所述目标面数值，如此，实现了科学地和准确地自动确定出与各个子模型对应的目标面数值，能够保证了各个子模型进行减面的质量，提供了各个子模型的减面的目标面数值，为后续的减面提高了准确率，并避免了减面的失真和破坏。

在一实施例中，所述步骤S304中，即所述根据与相同的所述子模型对应的所述保护面数值、所述第一占比值、所述第二占比值和所述第三占比值，确定出与该子模型对应的所述目标面数值，包括：

S3041，将与所述子模型对应的所述第一占比值、所述第二占比值和所述第三占比值中的最大的值进行取整，将其确定为与该子模型对应的预估面数值。

可理解地，所述取整为对所述第一占比值、所述第二占比值和所述第三占比值之中的最大的值进行向下取整，将取整后的值确定为该子模型对应的所述预估面数值，所述预估面数值为预估该子模型需要减面达到的面数的值。

S3042，将与所述子模型对应的所述预估面数值和所述保护面数值进行比较。

S3043，若与所述子模型对应的所述预估面数值小于或等于所述保护面数值，则将所述保护面数值确定为与该子模型对应的所述目标面数值。

S3044，若与所述子模型对应的所述预估面数值大于所述保护面数值，则将所述预估面数值确定为与该子模型对应的所述目标面数值。

本发明实现了通过将与所述子模型对应的所述第一占比值、所述第二占比值和所述第三占比值中的最大的值进行取整，将其确定为与该子模型对应的预估面数值；将与所述子模型对应的所述预估面数值和所述保护面数值进行比较；若与所述子模型对应的所述预估面数值小于或等于所述保护面数值，则将所述保护面数值确定为与该子模型对应的所述目标面数值；若与所述子模型对应的所述预估面数值大于所述保护面数值，则将所述预估面数值确定为与该子模型对应的所述目标面数值，如此，提供了一种确定各个子模型的目标面数值的方法，提供了后续三维模型减面的目标，提高了三维模型减面的质量。

S40，根据所有与所述子模型对应的目标面数值，对所述三维模型数据做相应的减面。

可理解地，通过所述应用程序根据与各个所述子模型的所述目标面数值对各个所述子模型进行减面，能够自动做相应的减面操作，将不符合规则和不必要的显示面进行减去，让各个子模型保留的面数向与其对应的所述目标面数值靠近，直至达到目标面数值，从而完成相应的减面操作，最终所有所述子模型的相应减面操作完成后，得到减面后的所述三维模型数据。

S50，将减面后的所述三维模型数据压缩成减面三维文件并输出。

可理解地，将减面后的所述三维模型数据压缩成所述减面三维文件，即运用LZMA(Lempel-Ziv-Markov chain-Algorithm)压缩算法，对减面后的所述三维模型数据进行压缩，得到所述减面三维文件，所述LZMA压缩算法使用了区间编码支持的LZ77(无损压缩算法)的改进压缩算法以及特殊用于二进制的预处理程序的算法，将所述减面三维文件输出，完成该待处理三维文件的减面过程，通过实验数据，所述减面三维文件保证了后续渲染的效果，所述减面三维文件的容量比所述待处理三维文件的容量少10％以上。

本发明实现了通过获取待处理三维文件，构建与所述待处理三维文件对应的三维模型数据；对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值；在所述减面结果为需减面时，根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值；根据所有与所述子模型对应的目标面数值，对所述三维模型数据做相应的减面；将减面后的所述三维模型数据压缩成减面三维文件并输出，如此，实现了通过构建三维模型数据，自动识别减面结果和基准减面值，在减面结果为需减面时，自动输出三维模型数据中的各子模型的目标面数值，并对各子模型减面按与其对应的目标面数值进行相应减面，并压缩输出减面三维文件，达到自动完成三维模型的减面操作，无需人工操作，减少了人工成本，并提高了三维模型减面的效率，以及保证了三维模型减面的有效性和不失真，提高了三维模型减面的质量。

在一实施例中，提供一种三维模型的减面装置，该三维模型的减面装置与上述实施例中三维模型的减面方法一一对应。如图6所示，该三维模型的减面装置包括获取模块11、识别模块12、确定模块13、减面模块14和输出模块15。各功能模块详细说明如下：

获取模块11，用于获取待处理三维文件，构建与所述待处理三维文件对应的三维模型数据；

识别模块12，用于对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值；

确定模块13，用于在所述减面结果为需减面时，根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值；

减面模块14，用于根据所有与所述子模型对应的目标面数值，对所述三维模型数据做相应的减面；

输出模块15，用于将减面后的所述三维模型数据压缩成减面三维文件并输出。

关于三维模型的减面装置的具体限定可以参见上文中对于三维模型的减面方法的限定，在此不再赘述。上述三维模型的减面装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种三维模型的减面方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中三维模型的减面方法。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中三维模型的减面方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种三维模型的减面方法，其特征在于，包括：

获取待处理三维文件，构建与所述待处理三维文件对应的三维模型数据；

对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值；

在所述减面结果为需减面时，根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值；

根据所有与所述子模型对应的目标面数值，对所述三维模型数据做相应的减面；

将减面后的所述三维模型数据压缩成减面三维文件并输出；

所述对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值，包括：

对所述三维模型数据进行平面数据收集，得到多个平面数据；所述平面数据包括平面图像、平面面数和平面尺寸；

将所有所述平面图像输入减面识别模型，通过所述减面识别模型对所有所述平面图像进行纹理特征提取，获取所述减面识别模型根据提取的所述纹理特征识别出的所述减面结果；

在所述减面结果为需减面时，将各所述平面数据中的所述平面面数和所述平面尺寸进行向量转换，得到与所述三维模型数据对应的向量矩阵；

将所述向量矩阵输入基准识别模型，通过所述基准识别模型对所述向量矩阵进行基准减面预测，得到与所述减面结果对应的所述基准减面值。

2.如权利要求1所述的三维模型的减面方法，其特征在于，所述对所述三维模型进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值，还包括：

对所述三维模型数据进行面数统计，得到所述三维模型数据的总面数；

判断所述总面数是否大于预设面数阈值；

若所述总面数大于所述预设面数阈值，则将所述减面结果确定为需减面；

获取所述三维模型数据中的各所述子模型的体积值、表面积值和尺寸值；

对所有所述子模型的所述体积值进行排序，得到第一排序结果，对所有所述子模型的所述表面积值进行排序，得到第二排序结果，对所有所述子模型的所述尺寸值进行排序，得到第三排序结果；

根据所述第一排序结果、所述第二排序结果和所述第三排序结果，确定与所述减面结果对应的所述基准减面值。

3.如权利要求1所述的三维模型的减面方法，其特征在于，所述将所有所述平面图像输入减面识别模型之前，包括：

获取训练样本集；所述训练样本集包括多个训练样本；每个所述训练样本与一个减面标签关联；所述减面标签包括需减面和无需减面；一个所述训练样本包括一个历史收集的三维模型样本中的六个平面样本图像；

将所述训练样本输入包含初始参数的深度神经网络模型；

通过所述深度神经网络模型提取所述训练样本中的所有所述平面样本图像的所述纹理特征；

获取所述深度神经网络模型根据提取的所述纹理特征输出的减面样本结果，并根据所述减面样本结果和所述减面标签的匹配程度确定损失值；

在所述损失值未达到预设的收敛条件时，迭代更新所述深度神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述深度神经网络模型记录为训练完成的减面识别模型。

4.如权利要求1所述的三维模型的减面方法，其特征在于，所述对所述三维模型数据进行平面数据收集，得到多个平面数据；所述平面数据包括平面图像、平面面数和平面尺寸，包括：

对所述三维模型数据进行六个面的捕获，得到所述三维模型数据在六个平面的所述平面图像；

对各个所述平面图像进行面数汇总，得到与各所述平面图像对应的所述平面面数，同时对各个所述平面图像进行尺寸测量，得到与各所述平面图像对应的所述平面尺寸；

将一个所述平面图像和与该平面图像对应的所述平面面数以及所述平面尺寸确定为一个所述平面数据。

5.如权利要求1所述的三维模型的减面方法，其特征在于，所述根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值，包括：

获取所述三维模型数据中的各所述子模型的体积值、体积占比值、表面积值、表面积占比值、尺寸值和尺寸占比值；

根据各所述子模型的所述体积值、所述表面积值和所述尺寸值，确定出与各所述子模型对应的保护面数值；

将所述基准减面值与各所述子模型的所述体积占比值相乘，得到与各所述子模型对应的第一占比值，将所述基准减面值与各所述子模型的所述表面积占比值相乘，得到与各所述子模型对应的第二占比值，将所述基准减面值与各所述子模型的所述尺寸占比值相乘，得到与各所述子模型对应的第三占比值；

根据与相同的所述子模型对应的所述保护面数值、所述第一占比值、所述第二占比值和所述第三占比值，确定出与该子模型对应的所述目标面数值。

6.如权利要求5所述的三维模型的减面方法，其特征在于，所述根据与相同的所述子模型对应的所述保护面数值、所述第一占比值、所述第二占比值和所述第三占比值，确定出与该子模型对应的所述目标面数值，包括：

将与所述子模型对应的所述第一占比值、所述第二占比值和所述第三占比值中的最大的值进行取整，将其确定为与该子模型对应的预估面数值；

将与所述子模型对应的所述预估面数值和所述保护面数值进行比较；

若与所述子模型对应的所述预估面数值小于或等于所述保护面数值，则将所述保护面数值确定为与该子模型对应的所述目标面数值；

若与所述子模型对应的所述预估面数值大于所述保护面数值，则将所述预估面数值确定为与该子模型对应的所述目标面数值。

7.一种三维模型的减面装置，其特征在于，包括：

获取模块，用于获取待处理三维文件，构建与所述待处理三维文件对应的三维模型数据；

识别模块，用于对所述三维模型数据进行减面识别，得到减面结果以及与所述减面结果对应的基准减面值；

确定模块，用于在所述减面结果为需减面时，根据所述基准减面值，确定与所述三维模型数据中的各子模型对应的目标面数值；

减面模块，用于根据所有与所述子模型对应的目标面数值，对所述三维模型数据做相应的减面；

输出模块，用于将减面后的所述三维模型数据压缩成减面三维文件并输出；

所述识别模块还用于：

对所述三维模型数据进行平面数据收集，得到多个平面数据；所述平面数据包括平面图像、平面面数和平面尺寸；

将所有所述平面图像输入减面识别模型，通过所述减面识别模型对所有所述平面图像进行纹理特征提取，获取所述减面识别模型根据提取的所述纹理特征识别出的所述减面结果；

在所述减面结果为需减面时，将各所述平面数据中的所述平面面数和所述平面尺寸进行向量转换，得到与所述三维模型数据对应的向量矩阵；

将所述向量矩阵输入基准识别模型，通过所述基准识别模型对所述向量矩阵进行基准减面预测，得到与所述减面结果对应的所述基准减面值。

8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的三维模型的减面方法。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的三维模型的减面方法。

Images