[发明专利]基于卷积神经网络的三维模型分类方法及系统

权利要求书

1.一种基于卷积神经网络的三维模型分类方法，其特征是：包括以下步骤：

获取待分类的三维模型，对三维模型多角度投影得到视图，作为构建的卷积神经网络的输入，训练卷积神经网络，经过网络层次地提取三维模型形状特征，得到三维模型的分类结果；

对三维模型多角度投影得到视图的过程中，具体包括：

(1)获取三维模型文件，显示三维模型；

(2)调整三维模型按照ZYX坐标轴放置，Y轴向上；

(3)设定模型绕Y轴旋转一周，放置虚拟相机渲染，得到多角度的若干幅视图，循环导入三维模型文件,直到所有的三维模型视图渲染完毕；

(4)将提取的多幅视图进行Picasa图片拼贴制作，按照旋转顺序整理提取到的多幅视图，从中选择需要的视图，使其排列成规则的行和列，呈现为正方形页面格式，创建拼贴，形成一幅汇总视图，导出为任意像素的图像，作为卷积神经网络的输入。

2.如权利要求1所述的一种基于卷积神经网络的三维模型分类方法，其特征是：构建的卷积神经网络包括输入层、隐含层及输出层，且隐含层由多个卷积层和池化层交替构成。

3.如权利要求2所述的一种基于卷积神经网络的三维模型分类方法，其特征是：在卷积层，使用若干过滤器在输入的汇总视图上滑动进行卷积运算，提取局部特征；每个过滤器共享卷积上一层的特征图的参数。

4.如权利要求2所述的一种基于卷积神经网络的三维模型分类方法，其特征是：在卷积层，利用卷积区域内的各个单元与其相对应的权值乘积之和，与每个过滤器的固定偏置参数的加法运算，最终形成单元特征值。

5.如权利要求2或3或4所述的一种基于卷积神经网络的三维模型分类方法，其特征是：卷积层的激活函数选择ReLU激活函数，对卷积后得到的单元特征值进行非线性映射归一化。

6.如权利要求1所述的一种基于卷积神经网络的三维模型分类方法，其特征是：池化层构建在卷积层后，通过平均池化或最大池化操作对特征压缩映射。

7.如权利要求1所述的一种基于卷积神经网络的三维模型分类方法，其特征是：根据提取到的特征对三维模型进行分类的基本步骤如下：

(1)池化层输出特征值至全连接层，全连接层连接所有的特征，将低层特征抽象为高层特征；

(2)在第一个全连接层后添加一个池化层，进一步降低特征的维度；

(3)第二个全连接层将降维的表征模型的抽象特征输出为特征向量；

(4)最后一个全连接层为Softmax分类层，使用Softmax回归将输入的特征向量输出为模型属于每个类别的概率，选取概率最大的类作为模型的分类。

8.一种基于卷积神经网络的三维模型分类系统，其特征是：运行于处理器或存储器上，被配置为执行以下指令：

获取待分类的三维模型，对三维模型多角度投影得到视图，作为构建的卷积神经网络的输入，训练卷积神经网络，经过网络层次地提取三维模型形状特征，输入三维模型的分类结果；

对三维模型多角度投影得到视图的过程中，具体包括：

(1)获取三维模型文件，显示三维模型；

(2)调整三维模型按照ZYX坐标轴放置，Y轴向上；

(3)设定模型绕Y轴旋转一周，放置虚拟相机渲染，得到多角度的若干幅视图，循环导入三维模型文件,直到所有的三维模型视图渲染完毕；

(4)将提取的多幅视图进行Picasa图片拼贴制作，按照旋转顺序整理提取到的多幅视图，从中选择需要的视图，使其排列成规则的行和列，呈现为正方形页面格式，创建拼贴，形成一幅汇总视图，导出为任意像素的图像，作为卷积神经网络的输入。

9.一种基于卷积神经网络的三维模型分类系统，其特征是：包括：

导入模块，被配置为导入待分类的三维模型；

提取模块，并配置为提取三维模型多角度视图；

学习单元构建模块，被配置为构建卷积神经网络模型；

特征提取模块，被配置为使用视图表征三维模型作为网络的输入，训练卷积神经网络模型，完成特征的提取；

分类模块，被配置为根据卷积神经网络模型提取的三维模型抽象特征，对三维模型进行分类；

对三维模型多角度投影得到视图的过程中，具体包括：

(1)获取三维模型文件，显示三维模型；

(2)调整三维模型按照ZYX坐标轴放置，Y轴向上；

(3)设定模型绕Y轴旋转一周，放置虚拟相机渲染，得到多角度的若干幅视图，循环导入三维模型文件,直到所有的三维模型视图渲染完毕；

(4)将提取的多幅视图进行Picasa图片拼贴制作，按照旋转顺序整理提取到的多幅视图，从中选择需要的视图，使其排列成规则的行和列，呈现为正方形页面格式，创建拼贴，形成一幅汇总视图，导出为任意像素的图像，作为卷积神经网络的输入。