一种三维模型分类方法以及检索方法技术

本发明专利技术公开了一种三维模型分类方法以及检索方法，分类方法包括建立神经网络模型；生成训练数据集；将所述训练数据集输入到神经网络模型中；将待测三维模型输入到神经网络模型中，神经网络模型输出分类结果；检索方法进一步包括计算待测三维模型的模型描述符与各个模板三维模型的模型描述符之间的欧氏距离；最小的欧氏距离所对应的模板三维模型即为待测三维模型的检索结果。发明专利技术中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，增加了每一个结构体的输入，能够有效地提高神经网络模型处理数据的准确性，进而提高本方法的待测三维模型的分类和检索的准确度。

【技术实现步骤摘要】
一种三维模型分类方法以及检索方法
本专利技术涉及三维模型分类检索

技术介绍
随着多媒体技术以及计算机软硬件的快速发展，海量的三维模型被广泛地应用在工业设计、智能生产等众多领域，因此解决三维模型的分类与检索技术上的难题，实现对海量三维模型的有效管理，是各个领域迫切的需求。对三维模型进行有效的分类管理可以提高设计生产效率，提高原有模型的复用率，降低时间以及人工成本。近年来，人工智能无论在理论还是应用上面，都取得了快速发展，特别是引入了深度学习的理论方法，解决了人工智能上许多难以实现的问题，同时实现了把人工智能推广应用到各个领域中去。在三维模型分类与检索的研究领域中，提高算法准确率、适用性以及智能化，是目前重要的研究发展方向。在三维模型分类与检索技术中，需要解决三维模型的特征提取、分类以及检索的研究难题，其研究目的是快速地在数据集中找出模型，并对海量的模型就行有效的分类管理。三维模型一般可以分为刚体三维模型和非刚体三维模型，刚体三维模型是特殊的质点模型，本身不会发生姿势上的变化，并且在非损坏性外力作用下，模型任意两点间的距离不会发生变化，而非刚体三维模型能够围绕关节点产生不同的姿势等任意的等距等容变形。目前关于三维模型分类与检索研究工作中大多数针对刚体模型，其算法难以适用于姿态易变的非刚体模型，主要原因在于：(1)非刚体三维模型能产生多种不规则的姿势，模型差异大，导致分类与检索难度大；(2)尺度大小的不一致导致分类与检索难度加大；(3)两个三维模型在某种姿势下可能会出现十分相似的情况，导致了分类与检索的准确率下降。
技术实现思路
本专利技术要解决的技术问题是：提供一种准确度高的三维模型分类以及检索方法。本专利技术解决其技术问题的解决方案是：一种三维模型分类方法，包括以下步骤：步骤1，建立神经网络模型；步骤2，利用模板三维模型数据集，生成训练数据集；步骤3，将所述训练数据集输入到神经网络模型中，完成神经网络模型的训练；步骤4，将待测三维模型输入到神经网络模型中，神经网络模型输出所述待测三维模型的分类结果；步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块，视图池化层以及全连接层，所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体，所述结构体包括依次相连的批标准化层、激活函数层以及卷积层，第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，所述第一卷积神经网络模块设有若干个，若干个所述第一卷积神经网络模块中最后一个结构体的卷积层输出端分别与视图池化层输入端相连，所述视图池化层输出端与第二卷积神经网络模块的第一个结构体中批标准化层的输入端相连，第二卷积神经网络模块最后一个结构体的卷积层输出端与全连接层输入端相连。作为上述技术方案的进一步改进，所述步骤2具体包括以下步骤：步骤2.1，通过投影转换将模板三维模型转换成二维的模板视觉视图；步骤2.2，对所述模板视觉视图进行均值滤波处理；步骤2.3，根据模板三维模型，赋予所对应的模板视觉视图一个标签，一个模板视觉视图及其对应的标签即为一个训练数据。作为上述技术方案的进一步改进，所述步骤2.1中，所述模板视觉视图包括红外光图像以及自然光图像，所述神经网络模型第一卷积神经网络模块设有两个。作为上述技术方案的进一步改进，所述步骤3具体包括以下步骤：步骤3.1，随机初始化所述神经网络模型；步骤3.2，将训练数据分批输入到神经网络模型中进行训练；步骤3.3，令训练数据依次经过神经网络模型的各层处理，提取训练数据的特征，所述训练数据的特征作为模板三维模型的模型描述符，与所设置的标签进行对比；步骤3.4，根据对比所得到的结果，修正神经网络模型各层的参数。作为上述技术方案的进一步改进，所述步骤4具体包括以下步骤：步骤4.1，将通过投影转换将待测三维模型转换成二维的待测视觉视图；步骤4.2，对所述待测视觉视图进行均值滤波处理；步骤4.3，将待测视觉视图输入到神经网络模型中，所述神经网络模型输出待测视觉视图的特征，所述待测视觉视图的特征作为待测三维模型的模型描述符，所述模型描述符即可作为待测三维模型的分类结果。作为上述技术方案的进一步改进，所述神经网络模型中所述第一卷积神经网络模块中的结构体设置有5个，所述第二卷积神经网络模块的结构体设置有3个。本专利技术的有益效果是：本专利技术通过多个模板三维模型完成神经网络模型的训练操作，再利用神经网络模型对待测三维模型进行分类操作，其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，增加了每一个结构体的输入，能够有效地提高神经网络模型处理数据的准确性，进而提高本方法的待测三维模型的分类准确度。本专利技术同时还公开了一种三维模型检索方法，包括上述所述的三维模型分类方法的所有步骤，在步骤4之后还包括：步骤5，分别计算待测三维模型的模型描述符与各个模板三维模型的模型描述符之间的欧氏距离；步骤6，比较得到的多个欧氏距离的大小，最小的欧氏距离所对应的模板三维模型即为待测三维模型的检索结果。本专利技术的有益效果是：本专利技术通过多个模板三维模型完成神经网络模型的训练操作，再利用神经网络模型对待测三维模型进行分类操作，其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，增加了每一个结构体的输入，能够有效地提高神经网络模型处理数据的准确性，进而提高本方法的待测三维模型的分类准确度，之后再根据待测三维模型与模板三维模型的欧氏距离大小以识别待测三维模型的检索结果，提高检索的准确性。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本专利技术的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。图1是本专利技术的神经网络模型结构示意图；图2是本专利技术的分类方法流程图；图3是本专利技术的检索方法流程图。具体实施方式以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本专利技术的目的、特征和效果。显然，所描述的实施例只是本专利技术的一部分实施例，而不是全部实施例，基于本专利技术的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本专利技术保护的范围。参照图1和图2，本专利技术创造公开了一种三维模型分类方法，包括以下步骤：步骤1，建立神经网络模型；步骤2，利用模板三维模型数据集，生成训练数据集；步骤3，将所述训练数据集输入到神经网络模型中，完成神经网络模型的训练；步骤4，将待测三维模型输入到神经网络模型中，神经网络模型输出所述待测三维模型的分类结果；步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块，视图池化层以及全连接层，所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体，所述结构体包括依次相连的批标准化层、激活函数层以及卷积层，第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第本文档来自技高网...

【技术保护点】
1.一种三维模型分类方法，其特征在于，包括以下步骤：步骤1，建立神经网络模型；步骤2，利用模板三维模型数据集，生成训练数据集；步骤3，将所述训练数据集输入到神经网络模型中，完成神经网络模型的训练；步骤4，将待测三维模型输入到神经网络模型中，神经网络模型输出所述待测三维模型的分类结果；步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块，视图池化层以及全连接层，所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体，所述结构体包括依次相连的批标准化层、激活函数层以及卷积层，第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，所述第一卷积神经网络模块设有若干个，若干个所述第一卷积神经网络模块中最后一个结构体的卷积层输出端分别与视图池化层输入端相连，所述视图池化层输出端与第二卷积神经网络模块的第一个结构体中批标准化层的输入端相连，第二卷积神经网络模块最后一个结构体的卷积层输出端与全连接层输入端相连。

【技术特征摘要】
1.一种三维模型分类方法，其特征在于，包括以下步骤：步骤1，建立神经网络模型；步骤2，利用模板三维模型数据集，生成训练数据集；步骤3，将所述训练数据集输入到神经网络模型中，完成神经网络模型的训练；步骤4，将待测三维模型输入到神经网络模型中，神经网络模型输出所述待测三维模型的分类结果；步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块，视图池化层以及全连接层，所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体，所述结构体包括依次相连的批标准化层、激活函数层以及卷积层，第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，所述第一卷积神经网络模块设有若干个，若干个所述第一卷积神经网络模块中最后一个结构体的卷积层输出端分别与视图池化层输入端相连，所述视图池化层输出端与第二卷积神经网络模块的第一个结构体中批标准化层的输入端相连，第二卷积神经网络模块最后一个结构体的卷积层输出端与全连接层输入端相连。2.根据权利要求1所述的一种三维模型分类方法，其特征在于，所述步骤2具体包括以下步骤：步骤2.1，通过投影转换将模板三维模型转换成二维的模板视觉视图；步骤2.2，对所述模板视觉视图进行均值滤波处理；步骤2.3，根据模板三维模型，赋予所对应的模板视觉视图一个标签，一个模板视觉视图及其对应的标签组成一个训练数据。3.根据权利要求2所述的一种三维模型分类检索方法，其特征在于：所述步骤2.1中，所述模板视觉视图包...

【专利技术属性】
技术研发人员：周燕，曾凡智，杜振锋，周晓清，钱杰昌，项杨，
申请(专利权)人：佛山科学技术学院，广东宜教通教育有限公司，
类型：发明
国别省市：广东,44