[发明专利]基于动态图卷积的三维模型形状识别方法

说明书

本发明公开一种基于动态图卷积的三维模型形状识别方法，首先，提出一种动态权重分配的图卷积算子来建立滤波器权重与具有任意连通性的模型内邻域矩阵之间的对应关系；其次，通过交叉验证方法对采样点及其K邻域进行优化，并利用可变形卷积算子计算出更准确的邻域点信息，学习得到感受野中每个邻域点位置的偏移量；最后，采用自适应动态图卷积神经网络模型，实现了非刚性三维模型的有效识别。实验结果表面，本发明具有更高的识别准确性和鲁棒性，其识别精度较之最新的基于图卷积神经网络的形状识别算法提高了2％～4％，并解决了常规图卷积不能应用到不规则网格上的问题。

技术领域

本发明属于三维模型的形状分析识别领域，尤其涉及一种适用范围广、识别精度高、鲁棒性好、不依赖形状描述符、基于动态图卷积的三维模型形状识别方法。

背景技术

伴随着移动互联网的普及、大数据的兴起和人工智能的发展，3D模型已经成为人们生活中必不可少的一部分。尤其在诸如虚拟现实、无人驾驶、三维游戏动画等特殊领域，3D模型的处理与分析更是其取得广泛应用的关键技术基础。在这种情况下，高效精确的3D模型识别已成为当今计算机图形学、计算机视觉等领域的重要研究课题之一，并且涌现出大量的开源3D模型数据库，如McGill模型库、Summer模型库、Shapegoogle模型库、ShapeNet模型库、SHREC模型库、ModelNet模型库等。这些模型数据库的应用和发展不仅满足了各类用户的要求，也给从事3D计算机图形学的研究者提供了极大的便利。面对如此纷繁复杂、规模庞大的数据库，众多用户迫切需要一种有效的3D模型识别算法，从而能够在大批量的模型中准确、迅捷地找到他们所需要的3D模型。

现有的3D模型识别算法主要分为两大类，即基于手工提取特征描述符的识别算法和基于机器学习特征描述符的识别算法。

首先，基于手工提取特征描述符的识别算法需要用户依靠人工的方式从3D图形模型数据中提取出描述3D模型基本结构形状特征的描述符，如几何特征描述符、骨架特征描述符、图像投影特征描述符和多特征融合描述符等，进而出现了基于计算几何特征描述符的识别算法、基于骨架特征描述符的识别算法、基于图像投影特征描述符的识别算法和基于多特征融合特征描述符的识别算法。由于这些特征描述符均不能提供3D模型的全部几何特征信息，当将此类算法应用于不同的3D图形学模型数据库时，需要根据数据的特点精心设计描述符，而且非常依赖于具体的数据库，所设计的特征只对某些数据库表现好，而在其它数据库上的识别效果却未必优秀。因此，该类3D模型识别方法往往存在明显的局限性。

其次，基于机器学习特征描述符的识别算法通常从模型表面提取底层特征的基础上，利用深度学习框架学习出3D模型的更深、更抽象的高级特征，且无需手工参与，受模型姿态等因素的影响较小。Wang等人从点云模型中提取特征，从最远采样点中选取特征点，再对每个特征点的邻域进行卷积操作，在多层池化、谱卷积和聚类后获得局部结构信息，从而联结其谱坐标中临近的特征点信息作为模型的整体特征描述符，实现了3D模型的形状识别。Fang等人从3D模型的热核特征中提取热形状描述符HeatSD，再利用主成分分析算法和线性判别分析进行训练，各自生成特征形状描述符ESD与Fisher形状描述符FSD，进而将ESD和FSD输入到深度神经网络学习得到DeepSD来完成3D模型形状识别。Carlos等人将3D模型映射到球面上，经过连续的球面变换生成等变的特征图，进而采用特征图的全局加权平均获取具有旋转不变性的特征描述符来完成3D形状识别。Luciano等人引入了基于自动测地矩与深度机器学习的高级判别特征分类器，通过隐藏判别层和稀疏自编码器模块来自动学习每个模型的高级判别特征，取得了较高的模型识别率。谢智歌等人通过运用极限学习机和卷积神经网络研究提出了一种三维模型的特征自动学习算法，获得了良好的实际应用效果。Su等人将从不同角度拍得的2D投影图作为神经网络的输入训练信号，用卷积神经网络对输入的2D投影图进行训练，学习得到3D形状的分类识别模型。较之直接利用3D数据所学习的模型，该模型取得了更高的形状识别精度。然而，传统的卷积神经网络(CNN)还需先提取3D模型的形状描述符才能对特征加以描述，以此实现3D模型的形状识别，其识别精度和鲁棒性尚不尽人意。