[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

说明书

本发明涉及一种基于几何形状和LSTM神经网络的三维模型分类方法。本发明提取三维模型的几何形状特征向量D1、D2、D3和A3，将这些特征向量视为一个向量序列作为输入传递到LSTM神经网络，训练降噪自编码器。降噪自编码器的编码部分是LSTM神经网络，LSTM神经网络将特征向量进行特征提取聚合为全局特征，用于三维模型的识别和分类。使用训练集中三维模型的全局特征和类别标签，来训练XGBoost分类器的权值。利用优化的LSTM神经网络和XGBoost分类器对测试集中的三维模型进行分类。本发明在三维模型分类方面具有较好的效果。

技术领域：

本发明涉及一种基于几何形状和LSTM神经网络的三维模型分类方法，该方法在三维模型分类中有着较好的应用。

背景技术：

近些年来，随着三维建模技术、成像技术及计算机视觉的快速发展，三维模型的种类和数量出现了爆炸式的增长。如何有效地对这些三维模型进行分类和管理成了一个亟待解决的问题。神经网络已被广泛地应用于语音识别、机器翻译、语言建模、字符识别和三维模型分类等多个领域。传统的神经网络对三维模型分类存在着一些不足。当三维模型众多而且比较复杂时，分类效果不理想。几何形状信息能够准确地反映出不同三维模型之间的差异，能够用于模型分类过程。LSTM神经网络对传统神经网络进行了改进，具有更好的分类效果。因此，可以利用三维模型的几何形状信息，结合LSTM神经网络对三维模型进行高效地分类。

发明内容：

为了解决三维模型分类问题，本发明公开了一种基于几何形状和LSTM神经网络的三维模型分类方法。

为此，本发明提供了如下技术方案：

1.基于几何形状和LSTM神经网络的三维模型方法，包括如下步骤：

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使用三角面片化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：