[发明专利]基于特征迁移的两阶段三维模型草图检索方法

说明书

本发明提供了一种基于特征迁移的两阶段三维模型草图检索方法方法，具有这样的特征，包括以下步骤：步骤S1，对现有的手绘草图数据标注类别标签作为第一训练数据集，对现有的三维模型数据和其二维视图数据标注类标签别作为第二训练数据集；步骤S2，根据第一训练数据训练手绘草图特征提取网络得到各个类别标签的类别中心向量；步骤S3，根据第二训练数据集训练三维模型特征提取网络；步骤S4，根据三维模型特征提取网络提取三维模型的三维模型特征，根据手绘草图特征提取网络提取待查询草图的草图特征；步骤S5，计算草图特征和各个三维模型特征的相似度，根据相似度输出三维模型。总之，本方法能够提高根据手绘草图检索三维模型的准确率。

技术领域

本发明涉及基于草图的三维模型检索领域，具体涉及一种基于特征迁移的两阶段三维模型草图检索方法。

背景技术

三维模型在工业设计、VR和AR、影视动画、智能家居等诸多领域有着广泛应用。近年来，随着“互联网+3D”大数据时代的到来，三维模型数据在互联网中的规模呈指数级增长，对三维模型有效、快速的搜索的市场需求也急速增加，发展三维模型检索技术正变得日益重要。在三维模型检索领域，由于三维模型在空间结构和语义细节上的复杂性，传统的基于关键字和范例的检索方式难以全面的表达查询意图，很难检索到符合用户意图的三维模型，而手绘草图可以更加灵活直观地表达物体的几何形状、拓扑结构、空间位置关系等细节，更加有效的表达用户的查询意图,所以基于草图的三维模型检索是有效易用且十分具有前景的检索方式。

目前，基于草图的三维模型检索方法主要可以分为两大类，分别是基于传统特征工程的方法和基于深度学习的方法。基于传统特征工程的方法大多采用手工特征，利用低阶几何特征和图像描述子表示草图和三维模型，但由于基于人工设计的浅层特征大多缺乏高层语义信息，使得这些方法在检索精度和鲁棒性方面都有明显不足。

深度学习基于大数据和端到端的学习方式，避免了基于传统特征工程的方法的种种弊端。目前基于深度学习的方法大多是基于孪生神经网络的单阶段方法，例如，Wang等人提出通过孪生卷积神经网络学习草图和3D模型投影轮廓图的相似度特征；He等人提出三重中心损失函数生成统一的特征空间；Lei等人提出直接使用三维模型的多个视图特征不经特征融合直接与草图特征技术相似度的方法。

但这些单阶段的方法还存在如下的问题：一方面，目前单阶段的特征空间学习方法同时学习草图和三维模型的特征空间，因此导致草图和三维模型特征空间在学习过程中互相干扰，导致学习效果下降；另一方面，手绘草图的绘制具有很高的主观性与抽象性，如何解决算法训练集中混入的过于抽象的低质量草图图像对最后训练结果的影响也是一个急需解决的问题。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于特征迁移的两阶段三维模型草图检索方法。

本发明提供了一种基于特征迁移的两阶段三维模型草图检索方法，具有这样的特征，包括以下步骤：步骤S1，对现有的手绘草图数据标注类别标签，作为第一训练数据集，对现有的三维模型数据和三维模型数据的多角度的二维视图数据标注类标签别，作为第二训练数据集；步骤S2，构建基于分类神经网络的手绘草图特征提取网络，根据第一训练数据训练手绘草图特征提取网络，将第一训练数据集输入到训练好的手绘草图特征提取网络，得到各个类别标签的类别中心向量；步骤S3，构建三维模型特征提取网络，根据第二训练数据集训练三维模型特征提取网络；步骤S4，根据三维模型特征提取网络提取三维模型数据库中各个三维模型的三维模型特征，根据手绘草图特征提取网络提取待查询草图的草图特征；步骤S5，计算草图特征和各个三维模型特征的相似度，按相似度从高到低，依次输出对应的三维模型。