[發明專利]基于超圖神經網絡和形狀特征的三維模型分類方法

在審

• 申請號: 202310581698.X
• 申請日: 2023-05-23
• 公開（公告）號: CN116597219A
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 高雪瑤;王可嘉;張春祥
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/72;G06V10/80;G06V10/46;G06N3/042;G06N3/0464;G06N3/082;G06V10/762;G06V10/422
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于超圖神經網絡和形狀特征的三維模型分類方法。首先對三維模型進行投影得到二維視圖集，從二維視圖中提取D1特征、D2特征、D3特征、Hu不變矩特征、KD1特征，利用ResNet152神經網絡從二維視圖中提取視圖特征R，對D1特征、D2特征、D3特征、Hu不變矩特征、KD1特征、R特征進行加權融合，利用超圖神經網絡對融合后的特征進行預測，利用投票算法對三維模型的二維視圖的分類結果進行投票，得到三維模型的分類結果。本發明對三維模型實現了很好的分類，更準確地預測出三維模型的真實類別。

技術領域

本發明涉及一種基于超圖神經網絡和形狀特征的三維模型分類方法，該方法在三維模型領域有著很好的應用。

背景技術

隨著計算機多媒體技術的飛速發展，人們對多媒體數據的要求也越來越廣泛，越來越多元化。傳統的聲音、圖像和視頻已經逐漸不能滿足人們的需求，而三維模型也就在這樣的背景下孕育而生。在圖神經網絡中，模型中邊的關系局限在兩個節點上，在社交網絡、三維模型分類中已然不能滿足日常需求，因此，超圖神經網絡誕生了。在3D體素卷積需要算力的日益增加下，三維卷積還需要深入探究，尋求更加節省算力的模型。成熟的二維視圖分類方法較適合于一般需求，可以快速有效地提取三維模型的特征。但是，圖片特征已經不能滿足三維模型分類的要求，需要多模態特征來提高分類準確率，故三維模型的多模態特征研究開始被人們所重視。

發明內容

為了解決計算機視覺領域中的三維模型分類問題，本發明公開了一種基于超圖神經網絡和形狀特征的三維模型分類方法。

為此，本發明提供了如下技術方案：

1.一種基于超圖神經網絡和形狀特征的三維模型分類方法，其特征在于，該方法包括以下步驟：

步驟1：對三維模型進行數據預處理，采用的數據集為ModelNet10，將.off格式的文件轉化為可視化的3D模型，固定投影角度后得到二維視圖集；

步驟2：利用D1描述符來描述二維視圖邊界上的隨機采樣點與質心之間的距離，利用D2描述符描述二維視圖邊界上兩個隨機采樣點之間的距離，利用D3描述符來描述二維視圖邊界上3個隨機采樣點形成的三角形面積的平方根，利用Hu不變矩來描述二維視圖的旋轉半徑和扭曲之間的關聯關系，利用KD1描述符來描述二維視圖關鍵點聚類中心到質心的距離，從D1描述符、D2描述符、D3描述符、Hu不變矩、KD1描述符中抽取D1特征、D2特征、D3特征、Hu不變矩特征、KD1特征；

步驟3：使用Resnet152網絡從二維視圖中提取視圖特征；

步驟4：將從ModelNet10訓練模型中提取的D1特征、D2特征、D3特征、Hu不變矩特征、KD1特征、視圖特征加權融合的特征向量作為訓練數據，將從ModelNet10測試模型中提取的D1特征、D2特征、D3特征、Hu不變矩特征、KD1特征、視圖特征加權融合的特征向量作為測試數據；

步驟5：根據特征向量構造超邊矩陣，根據超邊矩陣構造超圖，構造超圖神經網絡，使用訓練數據優化超圖神經網絡；

步驟6：利用超圖神經網絡預測三維模型的類別。

2.根據權利要求1所述的基于超圖神經網絡和形狀特征的三維模型分類方法，其特征在于，所述步驟1中，對三維模型進行數據預處理，固定投影角度后得到二維視圖集，具體步驟為：

步驟1-1選用Blender軟件將ModelNet10中的.off文件可視化為3D模型；

步驟1-2將三維模型固定在虛擬球體的球心，選擇固定的角度，并設定投影數量為6；

步驟1-3將球體最長周長的圓分為6個弧，每個弧對應的圓心角為60°，將攝像機設置在弧的中點處；