[发明专利]一种基于多种特征描述符的三维模型分类方法

说明书

本发明公开了一种基于多种特征描述符的三维模型分类方法，包括：选择多种特征描述符来提取三维模型的特征向量，特征描述符包括高斯曲率、形状直径函数和尺度不变特征转换；采用鲁棒主成分分析对特征向量进行去噪降维处理；使用基于密度的聚类算法进行聚类，得到三维模型分类结果。本发明使用多种特征描述符来控制基础数据可避免单一性，对提取得到的特征向量去噪降维并使用基于密度的聚类算法进行聚类，可获得更为准确的分类的结果。

技术领域

本发明涉及三维模型分类技术领域，具体涉及一种基于多种特征描述符的三维模型分类方法。

背景技术

我们的生存环境是一个三维甚至多维的世界，目前，我们所接触到的物体大多是三维物体，都有其独特的内部分子结构和外部形状结构，从而给人一种空间立体感。近年来，随着建模技术和扫描技术的发展，三维模型的应用在各个领域都取得了很好的成绩，包括三维游戏、工业产品设计、建筑物设计、医学诊断、虚拟现实和影视动画等各个方面。随着三维模型的应用领域范围的扩展，三维模型的各项技术需求也变得越来越大，包括三维模型识别、重构、匹配、分割、分类、检索等各个方面。在各个应用场景中，模型分类环节对于其他环节来说至关重要，例如：分类的过程中可以对模型进行特征上的认识并可以将特征进行存储用以后期的匹配；分类结果可以用于检索和无监督分类算法的学习等。因此，三维模型的分类方法是三维模型研究中的热点之一。

近年来，学者们提出了很多特征描述符用来描述三维模型的特征，如形状直径函数(Shape Diameter Function,SDF)和高斯曲率(Gaussian Curvature,GC)、平均测地距离(Average Geodesic Distance,AGD)和形状分布(D2)等等。目前已有的特征描述符可以被归纳为两类：一类是全剧特征描述符，这种特征描述符描述了整个三维模型的几何特征；一种是局部特征描述符，这种特征描述符只能描述三维模型的局部的几何特征。由于三维模型的几何复杂性和空间立体复杂性，目前还没有一种特征描述符可以很好的反映出所有类型的三维模型的不同特征，针对这一情况，学者们通常同时使用多种特征描述符来提取三维模型的特征，这样可以从多个角度来刻画三维模型的几何特征，多个特征相结合来得到比较准确的分类结果。利用特征描述符对三维模型进行特征提取后，需要通过聚类算法对特征向量进行聚类分析，从而区分所属类别。近年来，学者们提出了很多聚类算法，如K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类方法(DBSCAN)、凝聚层次聚、图团体检测(Graph Community Detection)、用高斯混合模型(GMM)的最大期望(EM)聚类等等。

三维模型上某一点的高斯曲率(Gaussian Curvature,GC)是该点主曲率K1和K2的乘积，它是曲率的内在度量，它的值只依赖于曲面上的距离如何测量；形状直径函数(ShapeDiameter Function,SDF)是定义在三维模型表面每个点上的一个实值函数，它表达了网格表面上相邻各点物体体积直径的测量方法，以基于体积的形状函数为基础，在很大程度上能对相同对象的姿势改变保持无关性并且不同对象的相似部分维持相似值。由此总结来看，GC刻画了三维模型上各个顶点的高斯曲率；SDF刻画了三维模型不同位置的直径长度。

近年来，国内外的很多学者对三维模型分类问题进行了深入的研究，并提出了一系列行之有效的分类算法，例如：基于语义信息和共享概念模型的三维模型分类算法，该算法先在形状索引空间中使用K-means方法对每个三维模型进行标号，然后基于语义标注对三维模型进行分类；使用径向基函数(Radial basis function)神经网络解决三维模型的分类，该算法通过对三维模型的距离信息与神经网络输出的分类信息进行加权平均，最终得到三维模型间的相似性；基于直推式支持向量机的半监督的学习方法来解决三维模型分类问题等等。

目前基于三维模型特征描述符的分类方法的实现过程主要有如下几种：

1、借助局部稀疏表示的三维模型分类算法：