[发明专利]一种基于形状特征和卷积神经网络的三维模型分类方法

说明书

本发明涉及一种基于形状形状和卷积神经网络的三维模型分类方法。本发明提取三维模型的形状特征向量D1和D2，用于表达三维模型的形状特征，将其视为一个向量序列作为输入传递到卷积神经网络，卷积神经网络将这些特征向量进行特征提取，最后，利用Softmax分类层完成三维模型的分类。本发明在三维模型分类方面具有较好的效果。

技术领域：

本发明涉及一种基于形状特征和卷积神经网络的三维模型分类方法，该方法在三维模型分类中有着较好的应用。

背景技术：

近些年来，随着三维建模技术、成像技术以及计算机视觉的不断快速发展，三维模型的种类和数量出现了爆炸式的增长。如何有效地对这些三维模型进行分类和管理成了一个亟待解决的问题，而且三维模型分类工作也受到了许多学者和业界的关注。神经网络已被广泛地应用于语音识别、语言建模、机器翻译、字符识别和三维模型分类等多个领域。传统的神经网络对三维模型分类存在着一些不足。当三维模型众多而且比较复杂时，分类效果不理想。形状特征信息能够准确地反映出不同三维模型之间的差异，能够用于模型分类过程。卷积神经网络对传统神经网络进行了改进，具有更好的分类效果。因此，可以利用三维模型的形状特征信息，结合卷积神经网络对三维模型进行高效地分类。

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形状特征和卷积神经网络的三维模型分类方法。

为此，本发明提供了如下技术方案：

1.基于形状特征和卷积神经网络的三维模型方法，包括如下步骤：

步骤1为了构建三维模型的形状特征，读取三维模型的数据文件，将三维模型离散化，使得三维模型表面三角面片化。

步骤2在三维模型表面采样若干个随机点，选取N个随机点，并计算每个随机点与模型质点之间的欧式距离，获得随机点与质点之间的距离值集合，构建随机点和模型质点的距离分布频数，将其视为三维模型的D1特征向量。

步骤3在三维模型表面采样若干个随机点，选取N个随机点，并计算其中任意两个随机点的欧式距离，获得点与点之间的距离值集合，构建任意两个随机点欧式距离的分布频数，将其视为三维模型的D2特征向量。

步骤4通过步骤1到步骤3，计算出每一个三维模型的形状特征向量D1和D2，并将其存储为向量序列V。将向量序列V作为输入传递到卷积层，通过卷积操作和池化操作，得出向量序列S，将向量序列S传递到Softmax分类层，然后Softmax分类层使用Softmax回归函数，最终得出三维模型的分类结果。

2.根据权利要求1所述的基于形状特征和卷积神经网络的三维模型分类方法，所述步骤1中，具体步骤为：

步骤1-1通过使用解析工具对三维模型文件进行读取。

步骤1-2使用三角面化的工具对三维模型进行三角面片化。

3.根据权利要求1所述的基于形状特征和卷积神经网络的三维模型分类方法，所述步骤2中，获取三维模型的D1特征向量，具体步骤为：

步骤2-1在三维模型表面采样若干随机点。选取N个随机点，并计算N个随机点与三维模型质点之间的欧式距离，获得点与质点之间的距离值集合。

步骤2-2将该点对的距离值集合分布到B个固定大小的区间内，根据点对的最大距离值和最小距离值计算出每个区间长度Size，将数值按照大小的顺序排列，统计不同区间内的点对分布数量，构建随机点和模型质点的距离值分布频数，将其视为三维模型的D1特征向量。

4.根据权利要求1所述的基于形状特征和卷积神经网络的三维模型分类方法，所述步骤3中，获取三维模型的D2特征向量，具体步骤为：

步骤3-1在三维模型表面采样若干随机点，选取N个随机点，并计算其中任意两个随机点的欧式距离，获得点与点之间的距离值集合。