[发明专利]一种基于深度学习的三维模型检索方法及其检索装置

说明书

本发明公开了一种基于深度学习的三维模型检索方法及其检索装置，检索方法包括：获取三维模型的一组二维视图集；训练一组用于卷积神经网络的滤波器模板；通过训练后的滤波器模板对二维视图集中的每一幅视图进行卷积，形成视图初级特征；将视图初级特征作为多个递归神经网络的输入，学习得到视图高级特征；用视图高级特征来表示视图，计算不同三维模型的视图间的相似度，进而计算不同三维模型间的相似度，降序排列得到最终的检索结果。检索装置包括：获取模块、训练模块、卷积模块、学习模块、计算模块和排序模块。本发明通过卷积神经网络和递归神经网络学习到的高级特征能够很好地表征数据内在结构规律，提高了三维模型检索的准确性和鲁棒性。

技术领域

本发明涉及计算机视觉、神经网络技术和三维模型检索领域，尤其涉及一种基于深度学习的三维模型检索方法及其检索装置。

背景技术

随着三维建模技术的日益成熟，计算机软硬件技术和互联网的快速发展，因特网和专业领域数据库中的三维模型数量呈现出爆破式地增长。三维模型可以携带比文本和图像更多的信息，展示形式也更为丰富真实，促使其越来越广泛地应用于社会生产生活的各个领域^[1]。面对当前多样化的三维模型大数据，领域内迫切需要有效并且高效的三维模型检索算法，该领域相关研究已成为近年来非常活跃的研究领域。

三维模型检索算法主要分为两大类：基于模型和基于视图。早期的工作主要集中在基于模型的检索方法上，包含低层次的基于特征以及高层次的基于结构。低层次的基于特征的方法利用几何矩^[2]、表面分布^[3]、体积信息和表面几何形状^[4]来描述三维模型。高层次的基于结构的方法要求每个3D模型必须有明确的空间和结构信息，这限制了基于模型方法的实际应用。相比于基于模型的方法，基于视图的方法不强制要求虚拟的三维模型，所以更具灵活性。另外，二维图像的检索已经蓬勃发展了几十年，已经积累了丰富的技术基础，基于视图的方法可以利用现有的技术进行有效地检索^[5]。

在大多数3D模型检索算法中，使用的都是设计好的特征，比如：基于方向直方图的SIFT(尺度不变特征变换)、SURF(加速健壮特征)，而这些特征存在局限性，比如SIFT只能对灰度图提取，而不能应用于RGB-D(三原色加距离)这种多模态的领域^[6]。近年来，深度学习算法在特征学习领域十分热门，它可以通过迭代的方法，学习到鲁棒性很强的特征，用于表示不同的物体^[7]。

发明内容

本发明提供了一种基于深度学习的三维模型检索方法及其检索装置，本发明利用深度学习技术，学习到的特征能够很好地表征数据内在结构规律，提高了三维模型检索的准确性和鲁棒性，详见下文描述：

一种基于深度学习的三维模型检索方法，所述三维模型检索方法包括以下步骤：

获取三维模型的一组二维视图集；训练一组用于卷积神经网络的滤波器模板；

通过训练后的滤波器模板对二维视图集中的每一幅视图进行卷积，形成视图初级特征；

将视图初级特征作为多个递归神经网络的输入，学习得到视图高级特征；

用视图高级特征来表示视图，计算不同三维模型的视图间的相似度，进而计算不同三维模型间的相似度，降序排列得到最终的检索结果。

其中，所述通过训练后的滤波器模板对二维视图集中的每一幅视图进行卷积，形成视图初级特征的步骤具体为：

对卷积后的特征进行池化降维处理，选择特定大小的区域作为池化区域，将池化后的卷积特征作为视图初级特征。

其中，所述用视图高级特征来表示视图，计算不同三维模型的视图间的相似度的步骤具体为：