[发明专利]一种基于网格细分结构的三维模型特征提取方法

说明书

本发明提供一种基于网格细分结构的三维模型特征提取方法，包括：确定待提取特征的三维模型的网格表示；将所述三维模型的网格输入特征提取模块，输出特征提取后的目标网格表示，以及所述目标网格表示中每个面片的目标特征向量；其中，所述网格表示由多个三角面片或多个四角面片组成，用于刻画实物或场景的三维形状，所述特征提取模块包括依次连接的重网格化模块和网格上下采样模块。本发明提供的方法，提取的特征能更好地描述广范围特征，应用于网格分类、分割、检索、形状对应等，可提高准确度和健壮性。

技术领域

本发明涉及三维网格技术领域，尤其涉及一种基于网格细分结构的三维模型特征提取方法

背景技术

网格(Mesh)是对三维形状的一种常用的描述方式，广泛应用于建模、渲染、动画、3D打印等。通常一个网格定义了三维空间中的顶点，顶点之间的连接关系所定义的面片。最为常用的网格是三角网格和四边网格：三角网格中所有的面片是三角形，四边网格中所有的面片是四边形。

在图像、自然语言处理、点云等数据格式上的理解分析与生成，深度神经网络相较于传统方法已经取得了显著进步，但是由于网格数据的复杂、不规则，深度神经网络的应用还较少。

现有的三维网格特征提取方法通常使用机器学习的方式，对三维网格模型进行训练，模型训练过程中需要将已有的三维网格模型进行不同规则的特征提取，得到不同分辨率的网格特征，实现局部特征的聚合或者全局特征的传播，相当于二维图像处理中的得到不同尺度的特征图一样，然后再基于不同尺度的特征图进行融合得到图像最终的整体特征向量，三维网格模型也需要提取不同分辨率的网格，然后基于这些不同分辨率的网格特征确定每个面片的最终特征和网格整体特征。

其中，为三维数据建立多分辨率的层次化表示，能够由细到粗、由局部到全局地提取特征，是神经网络能够有效应用于图像、序列等规则数据的原因之一。而一般的网格缺少这种规则层次化结构。此前已有工作将特征存储在边上，基于网格简化，通过不断动态删除边得到粗粒度的表示，但是这种方法删除的细节不均匀，速度慢。

因此，如何避免现有的三维网格特征提取方法由于缺乏三维数据多分辨率的层次化表示，造成难以得到合理的特征表示，仍然是本领域技术人员亟待解决的问题。

发明内容

本发明提供一种基于网格细分结构的三维模型特征提取方法，用以解决现有的三维网格特征提取方法由于缺乏三维数据多分辨率的层次化表示，造成难以得到合理的特征表示的问题，通过在特征提取模块中构建依次连接的重网格化模块和网格上下采样模块，提供一种新的多分辨率层次化方法，通过曲面细分的方式，先加入细分结构对原网格模型进行重网格化，再对重网格化模型进行上下采样得到每个面片的特征向量。

本发明提供一种基于网格细分结构的三维模型特征提取方法，包括：

确定待提取特征的三维模型的网格表示；

将所述三维模型的网格输入特征提取模块，输出特征提取后的目标网格表示，以及所述目标网格表示中每个面片的目标特征向量；

其中，所述网格表示由多个三角面片或多个四角面片组成，用于刻画实物或场景的三维形状，所述特征提取模块包括依次连接的重网格化模块和网格上下采样模块。

根据本发明提供的一种基于网格细分结构的三维模型特征提取方法，所述特征提取模块包括依次连接的重网格化模块和网格上下采样模块，具体包括：

所述重网格化模块对输入三维模型的网格进行重网格划分，得到具有细分结构的重网格模型并输出至网格上下采样模块；

所述网格上下采样模块将所述重网格模型进行若干次下采样和若干次上采样，得到特征提取后的目标网格表示，以及所述目标网格表示中每个面片的目标特征向量。

根据本发明提供的一种基于网格细分结构的三维模型特征提取方法，所述对输入的原始三维模型的网格进行重网格划分，得到具有细分结构的重网格模型，具体包括：