[发明专利]一种基于曲率特征递归神经网络的三维目标识别方法

权利要求书

1.一种基于曲率特征递归神经网络的三维目标识别方法，其特征在于，包括以下步骤：

步骤1：计算目标三维模型的联合曲率提取联合曲率的局部极大值构成三维模型的曲率草图R_Sketch；再对三维模型的曲率草图R_Sketch利用透射投影变换生成360°二维图像P_m，其中m＝1,2,...,360；

步骤2：将360°二维图像输入BRNN，利用多角度特征进行学习计算其在多视角下的序列属性；在softmax层利用softmax函数求得序列属性的正确概率最大时的识别类别；所述BRNN为双向递归神经网络；

所述计算目标三维模型的联合曲率包括以下步骤：

设是目标三维模型R上给定一点(x,y,z)的法向量；令则p_x,p_y,q_x,q_y定义为

计算三维模型R上每一点的法向量周围3×3邻域内的平均高斯曲率和平均均值曲率

其中，为平均曲率矩阵，trace(·)是矩阵的迹，分别为p,q,p_x,p_y,q_x,q_y在3×3邻域内的平均值；

定义目标三维模型R的联合曲率为：

2.按照权利要求1所述一种基于曲率特征递归神经网络的三维目标识别方法，其特征在于，所述将360°二维图像输入BRNN，利用多角度特征进行学习计算出其在多视角下的序列属性，包括以下步骤：

获取360°二维图像的一维特征序列T_S,s＝1,2,...,360，则特征序列T_S在BRNN第i层的输出分为正向输出和反向输出并且分别与本层BRNN上一序列的正向输出本层BRNN下一序列的反向输出以及上一层BRNN的正向输出和反向输出有如下关系：

其中，为各输出间的权值矩阵，b为偏置，tanh为神经元激活函数；

则特征序列T_S在BRNN的总输出O^s，即为全连接层fc的输入I_fc为：

其中，分别为正向输出和反向输出在全连接层的连接权值；

因此，特征序列T_S在全连接层fc的累加输出为即为序列属性。

3.按照权利要求1所述一种基于曲率特征递归神经网络的三维目标识别方法，其特征在于，所述在softmax层利用softmax函数求得序列属性的正确概率最大时的识别类别，包括以下步骤：

在softmax层利用softmax函数计算出识别结果为第k类的正确概率p(C_k)

其中，C为识别类别总数，A_k为第k类三维目标的序列属性在全连接层fc的累加输出结果；

然后利用最大似然估计方法求得损失函数最小值时，即正确概率p(C_k)最大时的识别类别k：

其中，δ(·)是克罗内克函数r表示特征序列T_S的正确识别类别；T_S为获取360°二维图像的一维特征序列，s＝1,2,...,360。