[發明專利]基于體素和網格表示方式融合的三維形狀分割方法

在審

• 申請號: 202210625850.5
• 申請日: 2022-06-02
• 公開（公告）號: CN115063554A
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 舒振宇;劉予琪;隆威;易順;俞若晨;辛士慶
• 申請（專利權）人: 浙大寧波理工學院
• 主分類號: G06T17/20
• 分類號: G06T17/20;G06T19/20;G06T7/11
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.基于體素和網格表示方式融合的三維形狀分割方法，其特征在于，包括以下步驟：

步驟1：采集三維網格模型數據；

步驟2：計算三維網格模型中每個面片的幾何特征，獲得每個面片的特征向量，并對所述三維網格模型進行體素化；

步驟3：把所述三維網格模型的每個體素中包含的面片特征向量的平均值作為該體素的特征向量；

步驟4：構建V-SegNet網絡，并進行網絡訓練；所述V-SegNet網絡由基于體素的編碼器-解碼器架構和體素殘差塊組成；

步驟5：向訓練后的V-SegNet網絡輸入每個體素的特征向量，輸出體素的標簽概率分布，并利用標簽概率分布中最大值的標簽標記對應的體素，確定體素的最終標簽值；

步驟6：根據體素的最終標簽值相應的在所述三維網格模型上標記每個面片，根據標記結果并通過圖割算法對所述三維網格模型進行分割，輸出標記三維形狀。

2.根據權利要求1所述的基于體素和網格表示方式融合的三維形狀分割方法，其特征在于，所述步驟2中采用高斯曲率、平均測地距離和形狀直徑函數三種特征描述符來獲取所述三維網絡模型中每個面片包含的幾何信息，獲得特征向量。

3.根據權利要求1所述的基于體素和網格表示方式融合的三維形狀分割方法，其特征在于，體素化是將三維網格模型上每個面片的特征向量投影和離散化到相應的體素上；具體過程為：

步驟21：將所述三維網格模型放置在邊界框內，所述邊界框為大小為M×N×K的體素網格；

步驟22：確定所述體素網格的分辨率，根據所述分辨率將所述三維網格模型分割成體素；

在每個面片上進行點采樣，對采樣的每個點根據坐標求出所在的體素單元，最后對所有點的體素求交集，獲對應面片的體素化結果，完成體素化；

步驟23：對于被一個或多個面穿透的體素，將所有面的特征向量的平均值分配給對應體素。

4.根據權利要求1所述的基于體素和網格表示方式融合的三維形狀分割方法，其特征在于，所述V-SegNet網絡包括體素基本塊、體素殘差塊、體素下采樣塊和體素上采樣塊；所述體素基本塊由卷積層、批量歸一化層和激活函數組成，激活函數采用ReLU；所述V-SegNet網絡使用從二維殘差塊擴展的體素殘差塊，將其從二維擴展到三維，從而學習體素結構的三維特征；

步驟5中所述V-SegNet網絡的處理過程為：

步驟51：輸入每個體素的特征向量，在特征通道使用16個3×3×3的體素基本塊，然后使用最大池化進行下采樣，獲得的特征輸入三個連續的體素殘差塊進行處理；編碼器使用體素基本塊來獲得尺度不變的局部特征，并使用最大池將局部特征傳遞到體素殘差塊進行處理；在每次體素卷積之后，使用批量歸一化和激活函數來加速學習；

步驟52：在瓶頸層，首先使用體素基本塊提取較低層次的特征，然后使用體素殘差塊將下采樣獲得的特征以及編碼器獲得的局部特征以短路方式連接起來，輸出特征值；

步驟53：特征值作為對應體素的標簽，特征值經過兩個連續的體素殘差塊和兩個1×1×1的體素基本塊輸出每個體素的每個標簽概率分布，選取標簽概率分布中最大值的標簽作為對應體素的最終標簽值，實現最終標簽值預測。

5.根據權利要求1所述的基于體素和網格表示方式融合的三維形狀分割方法，其特征在于，將三維形狀數據沿x、y、z軸旋轉90度，將其擴展為多個不同位置的形狀，進一步增強數據，獲得增強三維形狀數據訓練所述V-SegNet網絡。

6.根據權利要求1所述的基于體素和網格表示方式融合的三維形狀分割方法，其特征在于，所述步驟6中將V-SegNet網絡預測的每個體素上的最終標簽值轉換回相應三維網格模型的每個面片；如果一個面片與多個體素相交，則采用投票機制確定面片的最終標簽值；采用圖割算法進一步光滑化分段之間的邊界，平滑輸出標記三維形狀。

7.根據權利要求1所述的基于體素和網格表示方式融合的三維形狀分割方法，其特征在于，所述圖割算法分割三維網絡模型輸出標記三維形狀的具體過程為：

步驟61：根據三維網絡模型的面片對應的最終標簽值建立目標函數；

步驟62：采用α-expansion算法對目標函數進行優化求解，調整面片的最終標簽值；

步驟63：根據面片調整后的最終標簽值對三維網絡模型進行分割，輸出標記三維形狀。