[发明专利]基于卷积神经网络的三维模型分类方法及系统

说明书

本发明公开了一种基于卷积神经网络的三维模型分类方法及系统，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，本发明避免了模型数据转化等操作，有效提高三维模型分类效率，推动计算机视觉和计算机辅助设计研究的发展。

技术领域

本发明涉及一种基于卷积神经网络的三维模型分类方法及系统。

背景技术

在日常生活中，大量物体通常以三维模型形式存在，能够被人类视觉神经系统所辨识。随着计算机硬件与软件技术的迅速发展，三维模型被广泛应用于工业生产、虚拟现实、医学影像等领域。三维模型数量大规模的增长，对三维模型的管理工作及生产设计造成了困难。

因此，为了解决人们对已有三维模型的查找和复用需求，三维模型分类技术应运而生。如何在尽可能完美的表达三维模型形状的情况下对三维模型识别是当前的研究热点。

传统的三维模型分类方法过于依赖工程师的经验知识，需要消耗大量时间和精力；并且鉴于三维数据高维性和复杂性特点，直接用于表达三维形状，计算代价大，特征提取复杂。

发明内容

本发明为了解决上述问题，提出了一种基于卷积神经网络的三维模型分类方法及系统，本发明通过对三维模型多角度投影得到视图，作为卷积神经网络的输入，经过网络层次地提取三维模型形状特征，最终得到一个三维模型的分类结果。避免了模型数据转化等操作，有效提高三维模型分类效率，推动计算机视觉和计算机辅助设计研究的发展。

为了实现上述目的，本发明采用如下技术方案：

一种基于卷积神经网络的三维模型分类方法，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。

进一步的，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。

可以循环制作图片拼贴，直至所有模型的汇总视图制作完毕。将所有模型的汇总视图整理为训练集和测试集，作为卷积神经网络的输入。

进一步的，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。

更进一步的，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。

更进一步的，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。

更进一步的，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。

更进一步的，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。

进一步的，根据提取到的特征对三维模型进行分类的基本步骤如下：