[发明专利]一种基于几何形状和LSTM神经网络的三维模型分类方法

权利要求书

1.基于几何形状和LSTM神经网络的三维模型分类方法，其特征在于，该方法包括以下步骤：

步骤1为了构建三维模型的几何形状，读取三维模型的数据文件，将三维模型离散化，使得模型表面三角面片化；

步骤2在三维模型表面采样若干个随机点，选取N个随机点，并计算每个随机点与模型质点之间的欧式距离，获得随机点与质点之间的距离值集合，构建该距离值集合的分布折线图，将其视为三维模型的整体特征向量D1；

步骤3在三维模型表面采样若干个随机点，选取N个随机点，并计算其中任意两个随机点的欧式距离，获得点与点之间的距离值集合，构建该距离值集合的分布折线图，将其视为三维模型的整体特征向量D2；

步骤4在三维模型表面采样若干个随机点，选取N个随机点，并计算其中任意三个随机点构成三角形面积的平方根，获得三个点构成面积的平方根数值集合，构建该数值集合的分布折线图，将其视为三维模型整体特征向量D3；

步骤5在三维模型表面采样若干个随机点，选取N个随机点，并计算其中任意三个随机点构成两直线之间的夹角度数，获得该夹角的角度数值集合，构建该数值集合的分布折线图，将其视为三维模型的整体特征向量A3；

步骤6通过步骤1到步骤5，计算出训练集中的每一个三维模型计算几何形状向量，并将其存储为i个数值构成的特征向量，将特征向量D1、D2、D3和A3拼接在一起作为输入，训练降噪自编码器，完成LSTM神经网络的训练；

步骤7通过三维模型的类别标签和全局特征，训练XGBoost分类器的权值，通过训练完成的XGBoost分类器对测试集中的三维模型进行分类实验。

2.根据权利要求1所述的基于几何形状和LSTM神经网络的三维模型分类方法，其特征在于，所述步骤1中，具体步骤为：

步骤1-1通过使用解析工具对三维模型文件进行读取；

步骤1-2使用三角面化的工具对三维模型进行三角面片化。

3.根据权利要求1所述的基于几何形状和LSTM神经网络的三维模型分类方法，其特征在于，所述步骤2中，获取三维模型的D1形状特征向量，具体步骤为：

步骤2-1根据随机取点公式，在三维模型表面采样若干随机点，在获取的若干随机点中，选取并计算N个随机点与三维模型质点之间的欧式距离，获得随机点与质点之间的距离值集合；

步骤2-2将该距离值集合分布到B个固定大小的区间内，根据集合中的最大值和最小值计算出每个区间长度Size，将数值按照大小的顺序排列，统计不同区间内的分布数量，构建该集合的分布折线图，将其视为三维模型的D1特征向量。

4.根据权利要求1所述的基于几何形状和LSTM神经网络的三维模型分类方法，其特征在于，所述步骤3中，获取三维模型的D2形状特征向量，具体步骤为：

步骤3-1根据随机取点公式，在三维模型表面采样若干随机点，选取N个随机点，并计算其中任意两个随机点的欧式距离，获得两个随机点之间的距离值集合；

步骤3-2将该距离值集合分布到B个固定大小的区间内，根据集合中的最大值和最小值计算出每个区间长度Size，将数值按照大小的顺序排列，统计不同区间内的分布数量，构建该集合的分布折线图，将其视为三维模型的D2特征向量。

5.根据权利要求1所述的基于几何形状和LSTM神经网络的三维模型分类方法，其特征在于，所述步骤4中，获取三维模型的D3形状特征向量，具体步骤为：

步骤4-1根据随机取点公式，在三维模型表面采样若干个随机点，选取N个随机点，并计算其中任意三个随机点构成三角形的面积平方根，获得该面积平方根的数值集合；

步骤4-2将该数值集合分布到B个固定大小的区间内，根据集合中的最大值和最小值计算出每个区间长度Size，将数值按照大小的顺序排列，统计不同区间内的分布数量，构建该集合的分布折线图，将其视为三维模型的D3特征向量。