[發明專利]一種基于多種特征描述符的三維模型分類方法

在審

• 申請號: 201910123038.0
• 申請日: 2019-02-15
• 公開（公告）號: CN109829505A
• 公開（公告）日: 2019-05-31
• 發明（設計）人: 沈琦;楊怡辰
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京匯信合知識產權代理有限公司 11335
• 代理人: 朱昱

本發明公開了一種基于多種特征描述符的三維模型分類方法，包括：選擇多種特征描述符來提取三維模型的特征向量，特征描述符包括高斯曲率、形狀直徑函數和尺度不變特征轉換；采用魯棒主成分分析對特征向量進行去噪降維處理；使用基于密度的聚類算法進行聚類，得到三維模型分類結果。本發明使用多種特征描述符來控制基礎數據可避免單一性，對提取得到的特征向量去噪降維并使用基于密度的聚類算法進行聚類，可獲得更為準確的分類的結果。

技術領域

本發明涉及三維模型分類技術領域，具體涉及一種基于多種特征描述符的三維模型分類方法。

背景技術

我們的生存環境是一個三維甚至多維的世界，目前，我們所接觸到的物體大多是三維物體，都有其獨特的內部分子結構和外部形狀結構，從而給人一種空間立體感。近年來，隨著建模技術和掃描技術的發展，三維模型的應用在各個領域都取得了很好的成績，包括三維游戲、工業產品設計、建筑物設計、醫學診斷、虛擬現實和影視動畫等各個方面。隨著三維模型的應用領域范圍的擴展，三維模型的各項技術需求也變得越來越大，包括三維模型識別、重構、匹配、分割、分類、檢索等各個方面。在各個應用場景中，模型分類環節對于其他環節來說至關重要，例如：分類的過程中可以對模型進行特征上的認識并可以將特征進行存儲用以后期的匹配；分類結果可以用于檢索和無監督分類算法的學習等。因此，三維模型的分類方法是三維模型研究中的熱點之一。

近年來，學者們提出了很多特征描述符用來描述三維模型的特征，如形狀直徑函數(Shape Diameter Function,SDF)和高斯曲率(Gaussian Curvature,GC)、平均測地距離(Average Geodesic Distance,AGD)和形狀分布(D2)等等。目前已有的特征描述符可以被歸納為兩類：一類是全劇特征描述符，這種特征描述符描述了整個三維模型的幾何特征；一種是局部特征描述符，這種特征描述符只能描述三維模型的局部的幾何特征。由于三維模型的幾何復雜性和空間立體復雜性，目前還沒有一種特征描述符可以很好的反映出所有類型的三維模型的不同特征，針對這一情況，學者們通常同時使用多種特征描述符來提取三維模型的特征，這樣可以從多個角度來刻畫三維模型的幾何特征，多個特征相結合來得到比較準確的分類結果。利用特征描述符對三維模型進行特征提取后，需要通過聚類算法對特征向量進行聚類分析，從而區分所屬類別。近年來，學者們提出了很多聚類算法，如K-Means(K均值)聚類、均值漂移聚類、基于密度的聚類方法(DBSCAN)、凝聚層次聚、圖團體檢測(Graph Community Detection)、用高斯混合模型(GMM)的最大期望(EM)聚類等等。

三維模型上某一點的高斯曲率(Gaussian Curvature,GC)是該點主曲率K1和K2的乘積，它是曲率的內在度量，它的值只依賴于曲面上的距離如何測量；形狀直徑函數(ShapeDiameter Function,SDF)是定義在三維模型表面每個點上的一個實值函數，它表達了網格表面上相鄰各點物體體積直徑的測量方法，以基于體積的形狀函數為基礎，在很大程度上能對相同對象的姿勢改變保持無關性并且不同對象的相似部分維持相似值。由此總結來看，GC刻畫了三維模型上各個頂點的高斯曲率；SDF刻畫了三維模型不同位置的直徑長度。

近年來，國內外的很多學者對三維模型分類問題進行了深入的研究，并提出了一系列行之有效的分類算法，例如：基于語義信息和共享概念模型的三維模型分類算法，該算法先在形狀索引空間中使用K-means方法對每個三維模型進行標號，然后基于語義標注對三維模型進行分類；使用徑向基函數(Radial basis function)神經網絡解決三維模型的分類，該算法通過對三維模型的距離信息與神經網絡輸出的分類信息進行加權平均，最終得到三維模型間的相似性；基于直推式支持向量機的半監督的學習方法來解決三維模型分類問題等等。

目前基于三維模型特征描述符的分類方法的實現過程主要有如下幾種：

1、借助局部稀疏表示的三維模型分類算法：