[发明专利]一种基于几何形状特征融合的三维模型分类方法

说明书

本发明涉及一种基于几何形状特征融合的三维模型分类方法。本发明对三维模型进行“三角面化”，计算其D1、D2、随机球型和SDF形状分布特征。将卷积神经网络作为降噪自编码器的编码器部分，其镜像结构作为解码器。将训练集中的D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器。将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的融合的全局特征。利用训练集中的三维模型的全局特征和类别标签，训练LightGBM分类器的权重。获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。本发明在三维模型分类方面实现了很好的效果，能很好地对三维模型进行分类预测。

技术领域：

本发明涉及三维模型分类领域，尤其涉及一种基于几何形状特征融合的三维模型分类方法。

背景技术：

随着计算机软硬件技术发展，三维模型在动画、机械、医疗等领域的应用更加广泛。三维模型数量增长迅速，三维模型分类已成为一个重要的问题。在实际的产品研发过程中，完全重新设计的产品只占全部产品比例的1/5，其余产品采用在过去研发过程中积累下来的成熟产品案例进行小幅度改动来完成设计。设计人员参考相似设计，节约了重新查找资料和设计的时间，减轻了设计人员重新设计的工作量，可以集中精力开发新的部分。在检索三维模型之前，准确地对三维模型进行分类可以有效地提高检索效率。

发明内容：

为了解决三维模型分类问题，本发明公开了一种基于几何形状特征融合的三维模型分类方法。

为此，本发明提供了如下技术方案：

1.基于几何形状特征融合的三维模型分类方法，其特征在于，该方法包括以下步骤：

步骤1：读取三维模型文件，将三维模型进行“三角面化”。

步骤2：随机在三维模型表面上，选取若干点并计算点与某一固定点之间的距离，获得点的距离集合。根据点的距离集合，设计统计区间。统计点的距离集合中元素在各个区间中的数量，以此作为三维模型的D1形状分布特征。

步骤3：随机在三维模型表面上，选取若干点对并计算每一点对的两点之间的距离，获得点对距离集合。根据点对距离集合，设计统计区间。统计点对距离集合中元素在各个区间中的数量，以此作为三维模型的D2形状分布特征。

步骤4：获取三维模型的随机球型形状分布特征。

步骤5：计算三维模型每个面的中心点的SDF值。根据所有SDF值，设计统计区间。统计所有的SDF值在各个区间中的数量，以此作为三维模型的SDF形状分布特征。

步骤6：将卷积神经网络作为降噪自编码器的编码器部分，其镜像结构作为解码器。将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器。同时，也完成卷积神经网络的训练。

步骤7：将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的融合的全局特征。利用三维模型的全局特征和类别标签，训练LightGBM分类器的权重。

步骤8：获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。

2.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤1的具体步骤为：

步骤1-1利用文件解析工具对三维模型文件进行解析读取。

步骤1-2利用三角面化工具将模型数据三角面化，并用统一的数据结构保存。

3.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤2中，获取三维模型的D1形状分布特征，具体步骤为：