[发明专利]一种三维模型的特征提取方法和装置

说明书

本发明公开了一种三维模型的特征提取方法和装置，该特征提取方法包括：对三维模型进行预处理获得原始点云数据；将所述原始点云数据作为预先构建的神经网络的输入，获取所述三维模型融合有局部特征的全局特征，具体的为以所述原始点云数据为输入，在预先构建的神经网络中所述原始点云数据经过差异性对称函数处理和姿态转换网络处理分别获得第一局部特征和第二局部特征；将所述第一局部特征与所述第二局部特征整合得到所述三维模型的全局特征。本发明面向三维模型特征提取，解决了三维数据识别、检索和分割等任务精度较低、速度慢的问题。

技术领域

本发明涉及计算机技术领域，特别涉及一种三维模型的特征提取方法和装置。

背景技术

随着信息技术和三维成像技术的快速发展，低成本、小型化三维传感器(Kinect、RealSense、Tango等)可以很好地捕获场景的三维信息，降低了人们以三维的方式获取真实世界信息的门槛。无论是便携式扫描设备还是工业应用中的机器人、无人驾驶汽车，对其获取的三维数据进行处理，本质上是提取三维模型更具鲁棒性、鉴别力、不变性和计算效率的特征。

当前对于获取到的三维数据，更倾向于直接从数据中提取特征，也即以深度学习为工具用数据驱动的方法获取模型的深度特征。这种方法相比于手工设计特征的处理方式，在三维模型识别、三维目标检测以及三维语义分割等任务上更具有普适性和鲁棒性。然而经研究发现，当前诸多方法多为将三维模型转换为多视图或体素等格式进行特征提取，预处理过程复杂且造成了模型结构损失。

又如图1所示现在常用的按照KD树(K-dimension tree)的数据结构进行分割并建立树形索引结构，从而将规范化的数据形式输入到深度网络中，抽取深度特征。该方法由于预处理过程相对复杂以及树形索引结构没有临近点信息的缺陷，导致方法在性能和分割精度上没有取得理想的结果。

又如现在常用的利用MLP(Multi-layer Perceptrons，多层感知器)“普适近似”原理，即具有连续输入和输出的任意函数都可以用多层感知器近似逼近。所以对于三维数据可以先通过多层感知机映射到高维特征空间，然后再将这些特征聚合为全局特征。但是利用多层感知器对三维模型进行处理的方法，其处理过程是对每个点单独进行处理，然后用对称函数进行特征融合。其中缺少了点之间的特征联系，使得全局特征中缺少了局部信息，因此在分割任务上精度较低。

更值得注意的是，在三维目标识别和三维模型分割等任务上，当前相关方法由于速度较慢，精度低且对三维模型要求较高，使得技术落地成为一个难题。

发明内容

为了解决上述技术问题中的至少一个，本公开提供了一种三维模型的特征提取方法和装置。

第一方面，本发明提供了一种三维模型的特征提取方法，该特征提取方法包括：

对三维模型进行预处理获得原始点云数据；

将所述原始点云数据作为预先构建的神经网络的输入，获取所述三维模型融合有局部特征的全局特征。

可选地，所述对三维模型进行预处理获得原始点云数据，包括：

将所述三维模型的所有点坐标进行归一化到预设区间内。

将所述三维模型沿预设坐标轴进行随机角度的旋转；

对所述三维模型增加均值为0、标准差为预设数值的高斯噪声。

可选地，将所述原始点云数据作为预先构建的神经网络的输入，获取所述三维模型融合有局部特征的全局特征，包括：

以所述原始点云数据为输入，在预先构建的神经网络中所述原始点云数据经过差异性对称函数处理和姿态转换网络处理分别获得第一局部特征和第二局部特征；

将所述第一局部特征与所述第二局部特征整合得到所述三维模型的全局特征。