[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

摘要

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。

主权项

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：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。