[发明专利]基于深度神经网络和稀疏自编码器的三维关键点检测方法

说明书

本发明属于三维计算机视觉技术领域，具体涉及一种基于深度神经网络和稀疏自编码器的三维关键点检测方法。该方法包括训练稀疏自编码器和深度神经网络阶段与利用训练好的深度神经网络作为回归模型检测三维关键点阶段。三维网格模型在多尺度空间中的局部和全局信息被充分利用来检测待测点是否是关键点。引入多层稀疏自编码器可以有效地发现这些局部和全局信息之间的相关性并形成这些信息的高级特征表示形式，以便对其进行回归。最终能够有效地、鲁棒地和稳定地检测出三维网格模型中的关键点。

技术领域

本发明属于三维计算机视觉技术领域，具体涉及一种基于深度神经网络和稀疏自编码器的三维关键点检测方法。

背景技术

三维关键点检测是三维计算机视觉中的重要内容，广泛应用于如目标注册与匹配，三维形状检索，网格分割和简化等各种应用之中。研究者们在过去的几十年中提出了多种检测三维关键点的方法，其中绝大部分是基于几何的方法。Godila和Wagan对二维的Scale Invariant Feature Transform(SIFT)算法进行扩展，提出三维SIFT关键点检测算法。Holte利用Difference-of-Normals(DoN)算子进行三维关键点检测。Castellani根据三维网格模型的视觉显著性原则，提出了一种能检测出鲁棒的三维关键点检测算法。此外，还有部分算法利用拉普拉斯光谱的方法在拉普拉斯光谱域而非实域进行三维关键点检测。

基于几何的三维关键点检测方法缺乏足够的灵活性，因此难以满足广大应用的需求。该类方法常常定义三维网格模型表面上在各个方向剧烈变化的点为三维关键点，但是在一些场景下，这些点可能是噪声或者是三维网格模型中一些不重要的琐碎细节。此外，当需要考虑到三维网格模型语义信息的时候，基于几何的方法几乎不能处理这类问题。基于以上原因，越来越多的研究者开始致力于寻找一种新的框架进行三维关键点检测。

近些年，一些研究者提出使用机器学习的方法来进行三维关键点检测，该类方法在一定程度上能解决基于几何的三维关键点检测方法的不足。Teran和Mordohai利用随机森林作为分类器来进行三维关键点检测(Teran,L.,Mordohai,P.:3d interest pointdetection via discriminative learning.In:Proceedings of the 13th EuropeanConference on Computer Vision Conference on Computer Vision,Zurich,Switzerland(Sept 2014))。在该方法中，几种基于几何的三维关键点检测方法被用来产生训练样本和测试样本的特征属性。Creusot利用线性判别分析(LDA)和AdaBoost两种方式从三维人脸模型中检测三维关键点。Salti和Tombari把三维关键点检测问题归结为一个二维分类问题，其分类的标准在于一个点是否能正确地与一个预定义的三维描述子成功匹配(Salti,S.,Tombari,F.,Spezialetti,R.,Stefano,L.D.:Learning a descriptor-specific 3d keypoint detector.In:Computer Vision(ICCV),2015IEEE InternationalConference on,Dec 2015,2318-2326)。

然而，上述这些算法大都仅仅使用局部信息来产生特征属性，缺乏类似于拉普拉斯光谱这样的全局信息。

发明内容

针对上述存在问题或不足，为能够更有效地、鲁棒地和稳定地检测出三维网格模型中的关键点，本发明提供了一种基于深度神经网络和稀疏自编码器的三维关键点检测方法。

具体技术方案如下：

步骤1、从三维网格模型数据库中选取训练集和测试集，并从训练集中选取正负样本点：