[发明专利]基于图拓扑的三维网格模型分类方法、装置和存储介质

说明书

本发明公开了一种基于图拓扑的三维网格模型分类方法、装置和存储介质，方法包括以下步骤：采用网格简化算法对输入的三维网格模型化简；提取三维网格模型的图拓扑结构后通过编码器对节点和连边进行特征编码，得到第一特征向量和第二特征向量；再将第一、第二特征向量池化为单一特征；结合图拓扑结构通过图卷积神经网络将每个节点的邻居节点特征融合到节点自身；对所有节点特征进行全局池化，得到三维网格模型的单一特征表示；将单一特征表示输入到分类网络，得到三维网格模型的各个类别的预估概率。本发明基于顶点和连边对三维网格模型建模，充分保留并高效利用三维网格模型的信息。本发明广泛应用于智能信息处理技术领域。

技术领域

本发明涉及智能信息处理技术领域，尤其是一种基于图拓扑的三维网格模型分类方法。

背景技术

虽然二维图像领域的技术已经较为成熟，但是现有技术关于三维模型的理解和处理方法仍处于比较低水平的状态。三维模型理解能力的提升必然会使现阶段的自动驾驶、机器人和增强现实等领域的相关技术产生重大突破。三维模型的表达方式多种多样，最常见的表达方式有点云表示、体素表示和三角网格表示等。其中三维模型的三角网格表示的使用相当广泛。然而其极度不规则的特性使得三维网格模型的理解变得十分困难。因此，如何更好地对三维网格模型建模、提取有效的特征表示以优化下游任务的性能是一项十分有意义的任务。

三维网格模型的建模方式对于提取特征的有效性有着至关重要的影响。现有的三维网格模型算法往往以网格作为基本单元(如MeshNet)，此类方法考虑网格的中心点、端点和法向量，其本质上还是对顶点的加工处理，此类方法包含过多冗余信息，也丢失了部分原始信息，不利于三维网格特征的有效提取；有些方法以相邻网格对作为基本单元(如MeshCNN)，此类方法要求三维网格模型必须是水密(watertight)的，而这样的约束在很多情况下是难以满足的，因此此类算法的普适性不足。

发明内容

为了解决上述背景技术中存在的问题和现有技术的缺陷，本发明设计了一种更好的三维网格模型的建模方式，提出一种基于图拓扑的三维网格模型分类方法，包含以下步骤：

采用网格简化算法对输入的三维网格模型进行简化；

提取所述三维网格模型的图拓扑结构；获取上述图拓扑结构的节点和连边；

通过节点特征编码器对上述节点的坐标进行特征编码，得到第一特征向量；通过连边特征编码器对上述连边进行特征编码，得到第二特征向量；

将上述第二特征向量池化为单一特征，并将上述单一特征和上述第一特征向量拼接、共同编码并获得完整的节点特征；

结合上述图拓扑结构，利用图卷积神经网络将每个上述节点的邻居节点的特征融合到上述节点自身的特征；

对上述三维网格模型的上述节点特征进行全局池化，得到上述三维网格模型的单一特征表示；

将上述单一特征表示输入到分类网络中，得到上述三维网格模型的各个类别的预估概率。

进一步地，上述采用网格简化算法对输入的三维网格模型进行简化这一步骤具体为：

根据自适应的顶点聚类算法，执行循环体；上述循环体为：若上述第一网格数小于上述预设阈值，则不进行网格化简；否则，根据第二网格数动态调整上述顶点聚类算法中顶点簇的尺寸，通过增大上述顶点簇的尺寸减小上述第二网格数或通过减小上述顶点簇的尺寸增大上述第二网格数；若上述第二网格数大于上述预设阈值，则增大一倍上述顶点簇的尺寸；若上述第二网格数小于上述预设阈值，且减小一倍上述顶点簇的尺寸后，上述第二网格数依然小于上述预设阈值，则减小一倍上述顶点簇的尺寸；上述循环体结束条件为：上述第二网格数小于上述预设阈值；

上述第一网格数为上述输入的三维网格模型的网格数；上述第二网格数为上述顶点聚类算法输出的调整后的上述三维网格模型的网格数。