[发明专利]基于极坐标图卷积神经网络的三维模型特征提取方法

权利要求书

1.基于极坐标图卷积神经网络的三维模型特征提取方法，其特征在于，包括以下步骤：

S1、获取若干三维网格模型数据，包括顶点集合和面片集合；

S2、基于改进的点云生成方法，对于每一个三维网格模型数据，根据阈值设定判断，进行点云生成，获取其对应的第一点云；

S3、对于每一个三维网格模型数据，获取其对应的体积加权质心，包括以下步骤：

S301、对于每一个三维网格模型，基于顶点集合V＝{v_i|i＝1,2,...,n}，通过公式(6)计算得到对应的质心，公式(6)如下所示：

式中，代表三维网格模型的质心，v_i是顶点集合中的第i个顶点元素，n为顶点集合中顶点元素的个数；

S302、基于面片集合F＝{f_j|j＝1,2,...,m}，m为面片集合中面片元素的个数，通过公式(7)计算得到质心与面片集合中面片元素f_j形成的四面体的体积，同时根据公式(8)得到面片集合元素的重心，公式(7)和公式(8)分别如下所示：

式中，Vol_j代表质心与第j个面片集合中面片元素f_j形成的四面体的体积，v_j1、v_j2、v_j3为面片元素f_j上的三个顶点，g_j代表第j个面片集合中面片元素f_j的重心；

S303、基于四面体的体积Vol_j和面片集合中面片元素的重心g_j，通过公式(9)计算得到三维网格模型对应的体积加权质心，公式(9)如下所示：

式中，代表三维网格模型对应的体积加权质心；

S4、基于第一点云和体积加权质心，通过平移、比例和旋转变换，构造以体积加权质心为球心的单位高斯球体包裹第一点云，实现把第一点云转换到一个标准统一坐标空间的操作，获取标准化且对齐的第二点云；

S5、基于第二点云，将第二点云投影至极坐标系，获取第二点云的极坐标表示，再将第二点云的极坐标表示与第二点云的三维空间直角坐标系表示进行拼接，获取具有复合表示的第二点云，包括以下步骤：

S501、基于第二点云为经过平移变换、比例变换和旋转变换后的第二点云的第k个元素，为第二点云的三维空间直角坐标系表示，n′代表第二点云中顶点元素的个数，根据公式(18)将第二点云投影至极坐标系，获取第二点云的极坐标表示，公式(18)如下所示：

式中，(θ_k,φ_k,r_k)为第二点云的极坐标表示，f_sph为极坐标系投影算子，

S502、将第二点云的极坐标表示(θ_k,φ_k,r_k)与第二点云的三维空间直角坐标系表示进行拼接，获取具有复合表示的第二点云；

S6、基于极坐标图卷积神经网络模型，对于每一个具有复合表示的第二点云，获取其对应的深度学习特征，包括以下步骤：

S601、基于具有复合表示的第二点云和极坐标图卷积神经网络模型，获取其对应的深度学习特征；其中，获取极坐标图卷积神经网络模型的步骤包括：

S6011、基于图卷积网络模式，设计极坐标图卷积神经网络模型的网络结构；其中，所述极坐标图卷积神经网络模型的输入是基于具有复合表示的第二点云，输出是对应的深度学习特征；所述极坐标图卷积神经网络模型的结构包括建图模块、残差动态图卷积块、融合模块和预测模块；所述建图模块基于具有复合表示的第二点云使用空洞k近邻算法构建对应的3个分支的空洞k近邻图表示作为输入；所述残差动态图卷积块包括基于动态图卷积层和残差图连接的EdgeConv边缘卷积层，以及嵌入了SE注意力机制块；所述融合模块包括1×1卷积核层和两层池化层，其中1×1卷积核层后面跟随Batch Normalization批量归一化函数、LeakyReLU激活函数，两层池化层分别使用最大池化和平均池化；所述预测模块包括两层全连接层，其中一层全连接层后面跟随Batch Normalization批量归一化函数、LeakyReLU激活函数、Dropout随机失活；

S6012、基于具有复合表示的第二点云，构建极坐标图卷积神经网络训练的数据库，并将其中的80％划分为训练集和20％划分为验证集，所述训练集与验证集交集为空，其中使用第二点云对应标注的真实类标签；在训练集上，将具有复合表示的第二点云输入至极坐标图卷积神经网络模型，得到输出的特征向量和分类概率，计算分类概率与真实类标签差异，反向调整极坐标图卷积神经网络模型的参数数值；在验证集上，将具有复合表示的第二点云输入至极坐标图卷积神经网络模型，得到输出的特征向量和分类概率，计算分类概率与真实类标签差异，评估极坐标图卷积神经网络模型的性能；直至训练完成，使用其中输出的特征向量作为表征三维模型的特征；

S602、将基于具有复合表示的第二点云输入至极坐标图卷积神经网络模型，提取对应的深度学习特征。