[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

说明书

本发明公开了一种非刚体三维形状的扇形卷积特征提取方法与系统，该方法包括：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；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。本发明减少非刚体三维形状的点云规模，在保持点云特性的情况下降低后续计算损耗，并有助于提取具有更强表达能力的深度内蕴特征。

技术领域

本发明涉及深度学习和计算机视觉的技术领域，尤其是指一种非刚体三维形状的扇形卷积特征提取方法与系统。

背景技术

随着“互联网+”和计算机技术的快速发展，各个领域的三维形状信息成海量增长，并且形成了各类三维形状库。三维形状分为刚体和非刚体，针对刚体三维形状的分类与检索，目前已有较为成熟的研究并取得了不错的效果。由于非刚体与刚体的巨大差异性，特别是非刚体三维形状具有铰链结构，形状内部点的位置关系变换种类多且形式复杂，如果把刚体上较成熟的方案直接应用在非刚体上，其效果往往欠佳。

在现存的一些非刚体特征提取方法中，基于人工设计的特征具有局限性，存在适用性不强、对噪声敏感、计算量较大、信息含量单一等缺陷，而基于视觉码本的方法可实现自动学习，但其获取高层语义特征的能力有限。基于深度学习的特征提取方法，由于其学习数据源不同导致存在一定的局限：基于人工特征的方法依赖人工选择参数；基于投影图像的方法，在变换过程中忽略了形状的局部细节和全局结构的相互关系，降低了特征鉴别力；基于三维体素的方法，体素化的二值表达所蕴含的形状信息有限，而且对于高分辨率的计算复杂度大，对于低分辨率则限制了特征的辨别力；基于原始数据的方法，设计能适应原始三维数据特点的深度学习网络难度大。此外，基于深度学习的非刚体三维形状的分类与检索方法较少，仍然有许多难题需要进一步深入研究。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供了一种非刚体三维形状的扇形卷积特征提取方法，可以通过显著点的提取，有效减少非刚体三维形状的点云规模，在保持点云特性的情况下降低后续计算损耗，同时由于所提出的三维扇形卷积在三维空间中的非刚体三维形状表面根据测地距离定义显著点特征，并在二维扇形卷积过程中保持了显著点的局部特征和其空间位置之间关系，有助于提取具有更强表达能力的深度内蕴特征。

本发明的第二目的在于提供一种非刚体三维形状的扇形卷积特征提取系统。

本发明的第一目的通过下述技术方案实现：非刚体三维形状的扇形卷积特征提取方法，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；

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。

进一步，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；