[发明专利]一种三维模型配准方法、设备及存储介质

权利要求书

1.一种三维模型配准方法，其特征在于，包括以下步骤：

S1.将待配准的三维模型数据分为源模型A₀与目标模型B₀；

S2.对源模型A₀进行预处理，将处理后的源模型A₀输入训练后的MeshSegNet网络进行分割，将分割出的部分模型进行后处理，得到第一模型A₁；

S3.选取目标模型B₀的配准部分B₁；

S4.对第一模型A₁与配准部分B₁进行粗配准，得到第一线性变换矩阵，并使用该矩阵对第一模型A₁进行变换得到第二模型A₂；

S5.对第二模型A₂与配准部分B₁进行细配准，得到线性变换矩阵，并使用该矩阵对第二模型A₂进行变换得到配准后的三维模型A₃。

2.根据权利要求1所述的一种三维模型配准方法，其特征在于，步骤S1中，所述三维模型数据包括三维点云数据或包含顶点信息的三维表面网格数据。

3.根据权利要求1所述的一种三维模型配准方法，其特征在于，步骤S2实现包括以下步骤：

S21.对源模型A₀进行降采样，并将源模型A₀转换为三维网格数据；

S22.将预处理后的源模型A₀输入训练后的MeshSegNet网络进行三维分割，得到分割出的部分模型，分割处的模型中每个顶点都具有标签值；

S23.对分割出的模型进行后处理，所述后处理包括上采样和/或基于图割的边缘细化。

4.根据权利要求1所述的一种三维模型配准方法，其特征在于，步骤S2中，所述MeshSegNet网络包括以下模块：

a1.多层感知器模块，由若干一维卷积层构成；

a2.特征转换模块，由若干一维卷积层和张量重整形层构成；

a3.图约束学习模块，由若干一维卷积层和对称平均池化层构成；

a4.其他子模块，包括上采样层和/或全局最大池化层。

5.根据权利要求1所述的一种三维模型配准方法，其特征在于，步骤S2中，所述MeshSegNet网络的训练包括以下步骤：

b1.数据预处理，将多个三维模型数据进行数据标注、降采样与数据增强；

b2.构建数据集，将预处理后的多个三维数据分为训练集与验证集；

b3.训练网络，将数据集中的三维数据作为输入，根据精度指标迭代优化网络参数。

6.根据权利要求1所述的一种三维模型配准方法，其特征在于，步骤S3中，配准部分B1的选取方法包括：根据三维模型数据的顶点标签值选取，或者按照空间位置选取。

7.根据权利要求1所述的一种三维模型配准方法，其特征在于，步骤S4中，对第一模型A₁与配准部分B₁进行粗配准的方法包括Landmark算法、PFH算法、FPFH算法或3DSC算法。

8.根据权利要求1所述的一种三维模型配准方法，其特征在于，步骤S5中，对二维模型A₂与配准部分B₁进行细配准的方法包括ICP算法或ICP算法的衍生算法。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的一种三维模型配准方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的一种三维模型配准方法。