[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

说明书

本发明公开了一种基于极坐标图卷积神经网络的三维模型特征提取方法，首先，使用改进的点云生成方法，从三维网格模型数据中均匀地生成并采样出点云；其次，使用计算得到的体积加权质心完成点云模型标准化和对齐；再次，构建点云的极坐标表示与三维空间直角坐标系表示，获取复合表示；最后，使用图卷积神经网络建模复合表示，捕获局部邻域与全局信息，提取三维模型特征。本发明可以提取具有变换不变性和高鉴别力的三维模型形状内容特征，为后续的分类识别与检索等任务垫定基础。

技术领域

本发明涉及三维模型分类识别与检索的技术领域，尤其是指一种基于极坐标图卷积神经网络的三维模型特征提取方法。

背景技术

现阶段，有效地提取三维模型的低维、高鉴别力的形状内容特征，有利于对其进行分类与检索等，因此研究三维模型特征提取新方法是当前三维计算机视觉领域的重要研究内容。然而特征提取步骤面临许多难题与挑战，首先，传统的基于点云的方法多采用单一的三维空间直角坐标系表示作为网络输入，缺乏辅助编码信息；其次，传统的从网格采样生成点云的方法，多使用分段插值的方法，缺乏采样策略，极易忽略面片实际大小情况，使得采集得到的点集不够均匀；再次，模型普遍面临旋转、平移、尺度变换等影响；最后，使用传统的多层感知机MLP作为网络特征提取器，无法更有效地建模类似点云的非欧几何数据，难以捕获模型局部领域有效信息，性能提升有限。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于极坐标图卷积神经网络的三维模型特征提取方法，可以提取具有变换不变性和高鉴别力的三维模型形状内容特征，为后续的分类识别与检索等任务垫定基础。

为实现上述目的，本发明所提供的技术方案为：基于极坐标图卷积神经网络的三维模型特征提取方法，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；

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；

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。

进一步，在步骤S1中，读取三维网格模型数据，获取三维网格模型的顶点集合V＝{v_i|i＝1,2,...,n}与面片集合F＝{f_j|j＝1,2,...,m}；其中，v_i代表第i个顶点元素，v_i＝(v_i¹,v_i²,v_i³)为顶点集合中顶点元素的三维空间直角坐标系表示，n为顶点集合中顶点元素的个数，f_j代表第j个面片元素，m为面片集合中面片元素的个数，面片集合使用面片元素上顶点索引信息储存面片元素信息。

进一步，所述步骤S2包括以下步骤：

S201、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(1)计算得到面片集合中各面片元素的面积，公式(1)如下所示：