[发明专利]一种基于体素和全局形状分布特征的三维模型分类方法

说明书

本发明涉及一种基于体素与全局形状分布特征的三维模型分类方法。本发明首先对三维模型进行体素化，在保证三维模型精度的前提下，将三维模型离散化体素集合的表示形式；然后再提取三维模型的D1形状特征、D2形状特征、D3形状特征、A3形状特征作为全局形状分布特征；最后分别将二者输入到卷积神经网络进行特征提取，经过卷积、池化、融合，得到三维模型的深层次特征，输入到Softmax分类器中完成三维模型的分类。本发明将体素与全局形状分布特征融合在一起，提高了对三维模型的描述能力，能够更好的完成三维模型的分类。

技术领域：

本发明涉及一种基于体素以及全局形状分布特征的三维模型分类方法，该方法在三维模型领域有着很好的应用。

背景技术：

传统的三维模型分类方法通过人工方式提取三维模型的描述符，如三维形状上下文方法(3D Shape Context,3DSC)、球谐函数描述符(Spherical Harmonics Descriptor，SPH)、基于几何特征的点特征直方图(Point Feature Histograms,PFH)描述符等，然后对这些特征采用聚类算法、支持向量机(SVM)等方法进行处理，进而实现分类和检索。虽然这类方法在某些特定的小数据集上效果比较理想，检索与分类的速度也比较快，但描述符的设计需要设计者的先验知识，且只能解决特定问题，普适性较差。随着三维模型数量的急剧增长，传统的三维模型分类方法存在无法客观、准确合理的描述三维模型特征的不足，很难有效的提取高层次特征，泛化能力也相对较弱，导致分类效率以及准确率低下。

如何利用深度学习方法解决三维模型识别分类是机器视觉领域的重点研究方向，其中，三维模型特征描述符的构建是首先要解决的问题，不同的三维模型特征描述符对三维模型的表达能力以及侧重方向也是不同的，三维模型特征描述符设计的好坏将直接影响三维模型分类的准确率。深度学习技术可以通过不断学习获得复杂数据的深层特征表示，在语音识别、图像处理等多类领域中取得了突破性的进展，同时也为三维模型的检索以及分类工作提供了新的思路。

发明内容：

为了解决计算机视觉领域中的三维模型分类问题，本发明公开了一种基于体素与全局形状分布特征的三维模型分类方法。

为此，本发明提供了如下技术方案：

1.基于体素与全局形状分布特征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：读取三维模型的数据文件，对三维模型进行体素化；

步骤2：在三维模型的表面随机采样，得到若干个点，计算其与三维模型质心的欧氏距离，获得随机采样点与质心距离的集合，并构建欧氏距离的统计量，将其作为三维模型的D1特征；

步骤3：在三维模型的表面随机采样，得到若干个点对，计算各个点对中两个点的欧氏距离，获得点对中两个点欧式距离的集合，并构建欧氏距离的统计量，将其作为三维模型的D2特征；

步骤4：在三维模型的表面随机采样，得到若干个由三个点组成的三点对，计算由三点对中三个点构成的三角形的面积，获得三点对构成的三角形面积集合，并构建面积的统计量，将其作为三维模型的D3特征；

步骤5：在三维模型的表面随机采样，得到若干个由三个点组成的三点对，计算由三点对中三个点构成的任意两条直线的夹角度数，获得夹角度数的集合，并构建夹角度数的统计量，将其作为三维模型的A3特征；

步骤6：将步骤1中得到的体素数据输入到三维卷积神经网络，再将步骤2到步骤5得到的D1、D2、D3、A3特征融合，得到模型的全局形状分布特征，将其输入到一维卷积神经网络，经过卷积、池化、融合，最后由输出层得到分类结果。

2.根据权利要求1所述的基于体素与全局形状分布特征的三维模型分类方法，其特征在于，所述步骤1中，对三维模型的体素化，具体步骤为：

步骤1-1设定模型体素化的分辨率，为下文描述方便，将分辨率设为M*M*M；