一种基于特征匹配的三维模型分类方法技术

本发明专利技术公开了一种基于特征匹配的三维模型分类方法，包括：分别提取训练向量集的高斯核并定义为多视角训练高斯核和单视角训练高斯核，将高斯核分别定义为多视角训练特征库和单视角训练特征库；利用多视角训练特征和单视角训练特征构建目标函数并迭代使其最小化得到特征匹配矩阵；将待分类数据中各物体的多视角彩色视图集随机抽取一张视图，得到各物体的初始单视角视图和类别标签提取单视角视图的卷积神经网络特征后计算特征的单视角高斯核，并定义为单视角特征库；将单视角特征库乘以其转换函数得到映射后的特征，将视角训练特征乘以其另一转换函数得到映射后的特征，计算特征间cos距离获得相似度。本发明专利技术避免了特征必须处于同一空间下的限制。

【技术实现步骤摘要】
一种基于特征匹配的三维模型分类方法
本专利技术涉及三维模型分类领域，尤其涉及一种基于特征匹配的三维模型分类方法。
技术介绍
3D模型作为一种比2D图片更加丰富多彩的多媒体数据类型，在近几年正不断进步和发展。一方面，建模工具、3D扫描器、以及3D图形加速硬件等设备的发展使得接入和产生高质量的3D模型成为可能。尤其是微软Kinect的专利技术和使用有力的推动和促进了这个发展趋势。另一方面，计算机图形学的发展，工业产品设计，三维场景，虚拟现实等等3D模型的应用使得3D模型被广泛传播和使用。3D模型在娱乐[1]、医学[2]、工业[3]等应用领域的研究和使用得到了认同。日益发展的互联网技术也为3D模型的传输和处理提供了条件，这些都推动了3D模型数据库及其应用需求的快速增长。因此，面对一个庞大的3D模型数据库，如何高效率地分类成为了一个热门课题[4]。基于内容的分类分为两类：基于模型的分类[5]和基于视图的分类[6]。由于基于模型的分类受到计算量的限制应用不是很广泛，现在较为常用的是基于视图的检索。基于视图的三维模型分类方法使用二维视图来描述三维模型，同时，三维模型的比较也是基于二维视图之间的比较实现的。目前三维模型有两种表现形式[7]：obj等三维虚拟模型、以及由三维实物模型得到的一系列二维图像。由于一系列二维图像表示三维模型的形式比较流行，所以对三维模型的分类就转换为图像的分类。当前主要的图像分类方法是基于内容的，它从如何赋予视觉特征从语义的角度可以分为两类：一类是基于相似度的方法。通常提取图像的视觉特征与数据库中的图像特征进行比较得出最相近的作为分类结果。但由于图像的领域较宽，图像的低级视觉特征和高级概念之间存在着较大的语义间隔，导致分类效果不佳。另一类是基于解释的方法，即在得到图像的视觉特征后并不进行相似度的计算而是直接根据特征得出语义解释[8]，再根据相关解释进行分类。基于视图的三维模型分类领域目前面临的主要挑战为：大多数方法都关注在相似度计算上，而且对一系列二维图像进行分类的工作量较大，限制了实际应用范围。
技术实现思路
本专利技术提供了一种基于特征匹配的三维模型分类方法，避免了对特征所处空间的依赖，提高了三维模型分类的精度，降低了计算的复杂度，详见下文描述：一种基于特征匹配的三维模型分类方法，所述三维模型分类方法包括以下步骤：分别提取训练向量集的高斯核并定义为多视角训练高斯核和单视角训练高斯核，将高斯核分别定义为多视角训练特征库和单视角训练特征库；利用多视角训练特征和单视角训练特征构建目标函数并迭代使其最小化得到特征匹配矩阵；将待分类数据中各物体的多视角彩色视图集随机抽取一张视图，得到各物体的初始单视角视图和类别标签提取单视角视图的卷积神经网络特征后计算特征的单视角高斯核，并定义为单视角特征库；将单视角特征库乘以其转换函数得到映射后的特征，将视角训练特征乘以其另一转换函数得到映射后的特征，计算特征间的cos距离进而获得模型之间的相似度。所述三维模型分类方法还包括：将训练数据中各物体的多视角彩色视图集定义为多视角训练模型库，对每个物体的多视角彩色视图集随机抽取一张视图得到初始单视角视图，将所有物体的单视图集定义为单视角训练模型库。所述三维模型分类方法还包括：在多视角训练模型库和单视角训练模型库中，提取各物体的初始视图集的卷积神经网络特征，得到初始特征多视角训练向量集和类别标签，初始特征单视角训练向量集和类别标签。所述多视角训练高斯核具体为：计算多视角训练向量集的协方差矩阵的距离范数的高斯核得到多视角训练高斯核，Ks'(si,sj)＝exp(-d(ssi,ssj)2/2σ2)其中，σ是d(ssi,ssj)的标准差；Ks'(si,sj)为第si个多视角三维物体与第sj个多视角三维物体间的高斯核。所述单视角训练高斯核具体为：Kv'(vi,vj)＝exp(-||vvi-vvj||2/2t2)其中，vi,vj∈{1,2,...,n}，t为单视角向量集V的标准差；n为单视角三维物体的个数；vvi为第vi个单视角三维物体的特征；vvj为第vj个单视角三维物体的特征；Kv'(vi,vj)为第vi个单视角三维物体与第vj个单视角三维物体间的高斯核。所述利用多视角训练特征和单视角训练特征构建目标函数的步骤具体为：将多视角训练特征的转换函数定义为ψ，单视角训练特征的转换函数定义为f，构建目标函数如下：其中，λ1＞0，λ2＞0为权重函数并满足λ1+λ2＝1；C(f,ψ)是多视图训练特征和单视图训练特征之间相似度和不相似度的约束项；D(f,ψ)用于保持所有训练特征的几何特性；O(f,ψ)用于保持数据的各同向性分布。本专利技术提供的技术方案的有益效果是：1、避免了采集三维模型分类时所需多视图数的需求，每个模型只需一张视图即可完成分类，节省了大量时间和工作量；2、使用训练模型来训练特征匹配矩阵，提高了分类精确度。附图说明图1为一种基于特征匹配的三维模型分类方法的流程图；图2为物体的初始多视角视图集样例的示意图；图3为物体的初始单视角视图集样例的示意图；图4为四种分类方法的准确率对比图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。为了解决三维模型分类中特征匹配的问题，提高三维模型分类的准确度，参见图1，本专利技术实施提供了一种基于特征匹配的三维模型分类方法，该方法包括以下步骤：101：分别提取训练向量集的高斯核并定义为多视角训练高斯核和单视角训练高斯核，将高斯核分别定义为多视角训练特征库和单视角训练特征库；102：利用多视角训练特征和单视角训练特征构建目标函数并迭代使其最小化得到特征匹配矩阵；103：将待分类数据中各物体的多视角彩色视图集随机抽取一张视图，得到各物体的初始单视角视图和类别标签提取单视角视图的卷积神经网络特征后计算特征的单视角高斯核，并定义为单视角特征库；104：将单视角特征库乘以其转换函数得到映射后的特征，将视角训练特征乘以其另一转换函数得到映射后的特征，计算特征间的cos距离进而获得模型之间的相似度。其中，在步骤101之前，三维模型分类方法还包括：将训练数据中各物体的多视角彩色视图集定义为多视角训练模型库，对每个物体的多视角彩色视图集随机抽取一张视图得到初始单视角视图，将所有物体的单视图集定义为单视角训练模型库。其中，在步骤101之前，三维模型分类方法还包括：在多视角训练模型库和单视角训练模型库中，提取各物体的初始视图集的卷积神经网络特征，得到初始特征多视角训练向量集和类别标签，初始特征单视角训练向量集和类别标签。其中，步骤101中的多视角训练高斯核具体为：计算多视角训练向量集的协方差矩阵的距离范数的高斯核得到多视角训练高斯核，Ks'(si,sj)＝exp(-d(ssi,ssj)2/2σ2)其中，σ是d(ssi,ssj)的标准差；Ks'(si,sj)为第si个多视角三维物体与第sj个多视角三维物体间的高斯核。其中，步骤101中的单视角训练高斯核具体为：Kv'(vi,vj)＝exp(-||vvi-vvj||2/2t2)其中，vi,vj∈{1,2,...,n}，t为单视角向量集V的标准差；n为单视角三维物体的个数；vvi为第vi个单视角三维物体的特征；vvj为第vj个单视角三维物本文档来自技高网...

【技术保护点】
一种基于特征匹配的三维模型分类方法，其特征在于，所述三维模型分类方法包括以下步骤：分别提取训练向量集的高斯核并定义为多视角训练高斯核和单视角训练高斯核，将高斯核分别定义为多视角训练特征库和单视角训练特征库；利用多视角训练特征和单视角训练特征构建目标函数并迭代使其最小化得到特征匹配矩阵；将待分类数据中各物体的多视角彩色视图集随机抽取一张视图，得到各物体的初始单视角视图和类别标签提取单视角视图的卷积神经网络特征后计算特征的单视角高斯核，并定义为单视角特征库；将单视角特征库乘以其转换函数得到映射后的特征，将视角训练特征乘以其另一转换函数得到映射后的特征，计算特征间的cos距离进而获得模型之间的相似度。

【技术特征摘要】
1.一种基于特征匹配的三维模型分类方法，其特征在于，所述三维模型分类方法包括以下步骤：分别提取训练向量集的高斯核并定义为多视角训练高斯核和单视角训练高斯核，将高斯核分别定义为多视角训练特征库和单视角训练特征库；利用多视角训练特征和单视角训练特征构建目标函数并迭代使其最小化得到特征匹配矩阵；将待分类数据中各物体的多视角彩色视图集随机抽取一张视图，得到各物体的初始单视角视图和类别标签提取单视角视图的卷积神经网络特征后计算特征的单视角高斯核，并定义为单视角特征库；将单视角特征库乘以其转换函数得到映射后的特征，将视角训练特征乘以其另一转换函数得到映射后的特征，计算特征间的cos距离进而获得模型之间的相似度。2.根据权利要求1所述的一种基于特征匹配的三维模型分类方法，其特征在于，所述三维模型分类方法还包括：将训练数据中各物体的多视角彩色视图集定义为多视角训练模型库，对每个物体的多视角彩色视图集随机抽取一张视图得到初始单视角视图，将所有物体的单视图集定义为单视角训练模型库。3.根据权利要求1所述的一种基于特征匹配的三维模型分类方法，其特征在于，所述三维模型分类方法还包括：在多视角训练模型库和单视角训练模型库中，提取各物体的初始视图集的卷积神经网络特征，得到初始特征多视角训练向量集和类别标签，初始特征单视角训练向量集和类别标签。4.根据权利要求1所述的一种基于特征匹配的三维模型分类方法，其特征在于，所述多视角训练高斯核具体为：计算多视角训练向量集的协...

【专利技术属性】
技术研发人员：刘安安，师阳，聂为之，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12