[发明专利]非刚体三维形状的扇形卷积特征提取方法与系统

权利要求书

1.非刚体三维形状的扇形卷积特征提取方法，其特征在于，包括以下步骤：

S1、基于最远测地距离采样，提取非刚体三维形状的显著点集；

S2、通过扇形卷积神经网络，对非刚体三维形状的显著点集进行特征提取，获取非刚体三维形状的深度内蕴特征；其中，所述扇形卷积神经网络共有四层，其首层为三维扇形卷积，第二层到第四层为二维扇形卷积，输出通道分别为256、512、1024；包括以下步骤：

S201、对于显著点集M，通过三维扇形卷积：

Feature_s＝F_3ck(M)

计算以显著点集M中每个显著点为中心点的扇形区域范围中中心点与所有显著点测地距离的统计特征，并按照预设的卷积步长移动至下一个扇形区域，最终提取非刚体三维形状的显著点集M中每个显著点的局部浅层特征；式中，Feature_s表示非刚体三维形状的显著点集M中每个显著点的局部浅层特征，F_3ck表示通过三维卷积核的卷积操作，M表示非刚体三维形状的显著点集；其中，三维扇形卷积操作过程如下：

设置三维扇形卷积核：

F_3ck(θ_3s,θ_3c,R,f_fer)

式中，θ_3c为卷积核的扇形角度，θ_3s为扇形卷积步长，R为扇形卷积半径，f_fer为计算以显著点集M中每个显著点为中心点的扇形区域范围中中心点与所有显著点测地距离的均值；

在扇形卷积神经网络训练优化过程中，三维扇形卷积核F_3ck的半径R作为可学习的参数并获得最优设置长度；

S202、将显著点集M中每个显著点通过三维扇形卷积核计算得到的局部浅层特征按顺序排列在相同扇形半径及角度的二维平面圆上；

S203、将排列在相同扇形半径及角度的二维平面圆上的局部浅层特征通过：

Feature_d＝F_2ck(Feature_s)

获得非刚体三维形状的深度内蕴特征Feature_d，其中F_2ck为二维扇形卷积，包括：

S2031、将局部浅层特征Feature_s通过二维卷积核：

F_2ck1(θ_2c,n,c)

进行二维扇形卷积操作，获得扇形卷积神经网络的第二层输出；式中，扇形角度θ_2c为卷积范围，计数n为卷积步长，输出通道c为256；

S2032、将扇形卷积神经网络的第二层输出通过二维卷积核：

F_2ck2(θ_2c,n,c)

进行二维扇形卷积操作，获得扇形卷积神经网络的第三层输出；式中，输出通道c为512；

S2033、将扇形卷积神经网络的第三层输出通过二维卷积核：

F_2ck2(θ_2c,n,c)

进行二维扇形卷积操作，获得非刚体三维形状的深度内蕴特征Feature_d；式中，输出通道c为1024；

S3、通过特征拼接和最大池化，对所获取的非刚体三维形状的深度内蕴特征进行处理，以获取非刚体三维形状的深度全局特征。

2.根据权利要求1所述的非刚体三维形状的扇形卷积特征提取方法，其特征在于，所述步骤S1包括以下步骤：

S101、从非刚体三维形状的点云中随机选取一点m₁作为初始显著点，放入显著点集M；

S102、计算点m₁与非刚体三维形状的点云中其余未被选取的各点的测地距离，并将最大的测地距离值点m₂放入显著点集M；

S103、计算点m₂与非刚体三维形状的点云中剩余各点的测地距离，并将除去显著点集M中的点外的最远测地距离点m₃放入显著点集M；

S104、将非刚体三维形状的点云剩余各点重复步骤S103，直到获得所需要数量的点。