三维鱼体参数化建模

doi:10.3785/j.issn.1008-9497.2022.01.003

浙江大学学报（理学版）

2022, Vol. 49

Issue (1): 19-26 DOI: 10.3785/j.issn.1008-9497.2022.01.003

图形模拟与目标跟踪

三维鱼体参数化建模

胡海涛¹,赵银君¹,石敏¹(

),赵国亮¹,朱登明²

^1.华北电力大学控制与计算机工程学院，北京 102206
^2.中国科学院计算技术研究所前瞻研究实验室，北京 100190

Parametric modeling of 3D fish body

Haitao HU¹,Yinjun ZHAO¹,Min SHI¹(

),Guoliang ZHAO¹,Dengming ZHU²

^1.School of Control and Computer Engineering，North China Electric Power University，Beijing 102206，China
^2.Virtual Reality Laboratory，Institute of Computing Technology，Chinese Academy of Sciences，Beijing 100190，China

全文: PDF(1843 KB)

HTML( 7 )

摘要：

因水下环境复杂，鱼类三维模型获取非常困难，基于三维鱼类数据驱动的很多自动化研究工作无法开展。为此，提出一种三维鱼体参数化建模方法。首先，用专业建模师构建的标准鱼体模板注册扫描仪采集三维鱼体数据，构建拓扑结构一致的三维鱼体网格数据集；其次，用主成分分析法对数据集中的三维鱼体网格模型进行建模分析，建立鱼体的参数化表示模型；最后，采集草鱼数据进行相关实验。实验结果表明，注册得到的三维鱼体模型与真实扫描鱼体模型顶点之间的平均均方根误差仅为0.691 3 mm，在可接受范围。通过改变三维鱼体参数化表示模型中的权参数，快速生成了大量三维鱼体数据，从而解决了三维鱼体数据获取困难的问题。

关键词： 三维鱼体; 网格注册; 主成分分析; 参数化建模

Abstract:

The complex underwater environment makes it difficult to obtain 3D fish models, leading to the fact that many automated research work based on 3D fish data cannot be carried out. This paper proposes a 3D fish body parametric modeling method. Firstly, we use the standard fish body template constructed by a professional modeler to register the 3D fish body data collected by the scanner, and construct a 3D fish body mesh dataset with consistent topological structure; Secondly, we apply the principal component analysis method to model and analyze the 3D fish body mesh model in the dataset establishing a parameterized representation model of the fish body. We take the collected grass carp data to verify the effectiveness of the above approach. The experimental results show that the root mean square error between the vertices of the registered 3D fish model and the real scanned fish model is only 0.691 3 mm. By changing the weight parameters of the constructed 3D fish body parameterized model, a large amount of 3D fish body data can be quickly generated.

Key words: 3D fish body grid registration principal component analysis parametric modeling

收稿日期: 2021-06-11 出版日期: 2022-01-18

CLC:

TP 319

基金资助: 中国科学院科研仪器设备研制项目(YJKYYQ20190055);国家自然科学基金资助项目(61972379)

通讯作者: 石敏 E-mail: shi_min@ncepu.edu.cn

作者简介: 胡海涛（1973—），ORCID：https：//orcid.org/0000-0002-8561-6634，男，博士，副教授，主要从事软件体系结构、面向服务计算、软件集成等研究.

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	胡海涛
	赵银君
	石敏
	赵国亮
	朱登明

引用本文:

胡海涛,赵银君,石敏,赵国亮,朱登明. 三维鱼体参数化建模[J]. 浙江大学学报（理学版）, 2022, 49(1): 19-26.

Haitao HU,Yinjun ZHAO,Min SHI,Guoliang ZHAO,Dengming ZHU. Parametric modeling of 3D fish body. Journal of Zhejiang University (Science Edition), 2022, 49(1): 19-26.

链接本文:

https://www.zjujournals.com/sci/CN/10.3785/j.issn.1008-9497.2022.01.003 或 https://www.zjujournals.com/sci/CN/Y2022/V49/I1/19

图1 三维鱼体参数化建模方法

图2 三维鱼体标准模板构建

图3 非刚性ICP算法思想

图4 标准鱼体模板

图5 草鱼扫描数据采集

图6 刚性注册实验结果

图7 非刚性注册实验结果

表1 鱼体非刚性注册均方根误差及配准时间

图8 三维鱼体平均体型

图9 鱼体定量分析示意

图 10 三维鱼体模型随权参数w1的变化（a） w1=0.851 （b） w1=1.000 （c） w1=1.135

表2 权参数w1对鱼体体型的影响

权参数		体长/mm	体高/mm	体宽/mm
$w 2$	0.000	423.55	170.90	120.63
	1.000	424.72	171.15	125.54
	3.309	428.05	171.80	136.91
$w 3$	-0.216	426.40	173.76	128.52
	1.000	424.72	171.15	125.54
	2.950	425.57	167.54	122.23
$w 4$	-1.942	425.71	172.53	119.10
	1.000	424.72	171.15	125.54
	2.086	424.37	170.52	127.84

表3 权参数w2，w3，w4对鱼体体型的影响

1	BERTALANFFY L VON. A quantitative theory of organic growth（inquiries on growth laws II）［J］. Human Biology， 1938， 10（2）：181-213.
2	SIMMONDS E J， MACLENNAN D N. Fisheries Acoustics， Theory and Practices-Fish and Fisheries Series［M］. 2nd ed. Oxford： Blackwell Publishing， 2005：437.
3	MONTERO D， IZQUIERDO M S， TORT L， et al. High stocking density produces crowding stress altering some physiological and biochemical parameters in gilthead seabream， Sparus aurata， juveniles［J］. Fish Physiology and Biochemistry， 1999， 20（1）： 53-60. DOI：10.1023/A：1007719928905 doi: 10.1023/A：1007719928905
4	MASSOT-CAMPOS M， OLIVER-CODINA G. Evaluation of a laser based structured light system for 3D reconstruction of underwater environments［C］// 5th Martech International Workshop on Marine Technology. Girona： SARTI， 2013. doi:10.1109/icsens.2014.6985208 doi: 10.1109/icsens.2014.6985208
5	BRUNO F， BIANCO G， MUZZUPAPPA M， et al. Experimentation of structured light and stereo vision for underwater 3D reconstruction［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2011， 66（4）： 508-518. DOI：10.1016/j.isprsjprs. 2011. 02.009 doi: 10.1016/j.isprsjprs. 2011. 02.009
6	YAU T H Y. Underwater Camera Calibration and 3D Reconstruction［D］. Edmonton： University of Alberta， 2014： 524-531. DOI：10.7939/R3ZC7S30V doi: 10.7939/R3ZC7S30V
7	CHEN L Y. Surface reconstruction based on the 3D laser scanner［J］. Applied Mechanics and Materials， 2012，215/216：656-659. DOI：10.4028/www.scientific. net/amm.215-216.656 doi: 10.4028/www.scientific. net/amm.215-216.656
8	LI X S， QIN K Y， YAO P， et al. 3D surface reconstruction based on binocular vision［C］// 2014 IEEE International Conference on Mechatronics and Automation. Piscataway： IEEE， 2014： 1861-1865. DOI：10.1109/ICMA.2014.6885985 doi: 10.1109/ICMA.2014.6885985
9	ALLEN B， CURLESS B， POPOVIC Z. The space of human body shapes： Reconstruction and parameterization from range scans［J］. ACM Transactions on Graphics， 2003， 22（3）： 587-594. DOI：10.1145/882262.882311 doi: 10.1145/882262.882311
10	ANGUELOV D， SRINIVASAN P， KOLLER D， et al. SCAPE： Shape completion and animation of people［J］. ACM Transactions on Graphics， 2005， 24（3）： 408-416. DOI：10.1145/1073204.1073207 doi: 10.1145/1073204.1073207
11	LOPER M， MAHMOOD N， ROMERO J， et al. SMPL： A skinned multi-person linear model［J］. ACM Transactions on Graphics， 2015， 34（6）：1-16： DOI：10.1145/2816795.2818013 doi: 10.1145/2816795.2818013
12	OSMAN A A A， BOLKART T， BLACK M J. STAR： Sparse trained articulated human body regressor［C］// Proceedings of the European Conference on Computer Vision. Cham： Springer， 2020： 598-613. DOI：10.1007/978-3-030-58539-6_36 doi: 10.1007/978-3-030-58539-6_36
13	BESL P J， MCKAY H D. A method for registration of 3D shapes［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1992， 14（2）： 239-256. DOI：10.1109/34.121791 doi: 10.1109/34.121791
14	AMBERG B， ROMDHANI S， VETTER T. Optimal step nonrigid ICP algorithms for surface registration［C］// IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2007： 1-8. DOI：10.1109/CVPR.2007.383165 doi: 10.1109/CVPR.2007.383165
15	LI K， YANG J Y， LAI Y K， et al. Robust non-rigid registration with reweighted position and transformation sparsity［J］. IEEE Transactions on Visualization and Computer Graphics， 2019， 25（6）：2255-2269. DOI：10.1109/TVCG. 2018. 2832136 doi: 10.1109/TVCG. 2018. 2832136
16	YAO Y X， DENG B L， XU W W， et al. Quasi-Newton solver for robust non-rigid registration［C］// IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 7597-7606. DOI：10.1109/CVPR42600.2020.00762 doi: 10.1109/CVPR42600.2020.00762
17	TU X Y， TERZOPOULOS D. Artificial fishes： Physics， locomotion， perception， behavior［C］// Proceedings of the 21st Annual Conference on Computer Graphics and Interactive Techniques. New York： Association for Computing Machinery， 1994： 43-50. DOI：10.1145/192161.192170 doi: 10.1145/192161.192170
18	ANDERSON J M， CHHABRA N K. Maneuvering and stability performance of a robotic tuna［J］. Integrative & Comparative Biology， 2002， 42（1）：118-126. doi:10.1093/icb/42.1.118 doi: 10.1093/icb/42.1.118
19	BARRETT D S， TRIANTAFYLLOU M S， YUE D K P， et al. Drag reduction in fish-like locomotion［J］. Journal of Fluid Mechanics， 1999， 392： 183-212. DOI：10.1017/S0022112099005455 doi: 10.1017/S0022112099005455
20	MARCHESE A D， ONAL C D， RUS D. Autonomous soft robotic fish capable of escape maneuvers using fluidic elastomer actuators［J］. Soft Robotics， 2014， 1（1）： 75-87. DOI：10.1089/soro. 2013.0009 doi: 10.1089/soro. 2013.0009

[1]	王钰帆,白强,孙虎. 2000—2020年汾河流域生态脆弱性时空演变与驱动因素[J]. 浙江大学学报（理学版）, 2023, 50(5): 607-618.
[2]	陈珍慧, 鲁益飞, 胡江琴, 张漪, 金孝锋. 中国特有植物诸葛菜属(十字花科)的分类研究[J]. 浙江大学学报（理学版）, 2017, 44(2): 201-205.
[3]	秦中伏, 雷小龙, 翟东, 金灵志. 基于SVM和LS-SVM的住宅工程造价预测研究[J]. 浙江大学学报（理学版）, 2016, 43(3): 357-363.

Viewed

Full text

Abstract

Cited

Shared

Discussed