基于双通道卷积神经网络学习的非刚性三维模型分类方法技术

本发明专利技术公开一种基于双通道卷积神经网络学习的非刚性三维模型分类方法，首先，提取三维模型的BoF特征向量，通过构建的BoF‑CNN学习通道，获取内蕴的深度几何特征；其次，基于MVCNN(Multi‑view CNN,多视图卷积神经网络)，建立并行的2D视图CNN学习通道，提取外蕴的深度视图特征；进而，将视图特征与几何特征连接，构建信息图像的特征表示；最终，通过神经网络进一步细化与加权融合，生成具有区分性的深度特征表示，基于Softmax实现三维模型的有效分类，不仅适用范围广，而且有效提高了分类精度及效率。

【技术实现步骤摘要】
基于双通道卷积神经网络学习的非刚性三维模型分类方法
本专利技术属于三维模型的分类领域，尤其涉及一种适用范围广的基于双通道卷积神经网络学习的非刚性三维模型分类方法。
技术介绍
：随着三维数字模型在虚拟现实、工业、影视娱乐、教育、医疗等各个领域的广泛应用，互联网上三维模型的数据量与复杂性显著提高，对于三维模型的形状识别与分类技术提出了更高的挑战。目前，常用的三维模型分类算法主要分为基于手工定义特征描述符的分类算法和基于深度学习的分类算法。基于手工定义特征的形状分类算法一般提取单个模型的低层几何特征，依赖于特定的模型或者特定的条件，不能直接推广到其他模型表示方法及应用中，适用范围窄；基于深度学习的分类算法是采用数据驱动方式，利用深度神经网络实现对三维模型的自动识别与分类，但是存在局限于特定的应用、分类精度及效率低等问题。
技术实现思路
本专利技术是为了解决现有技术所存在的上述技术问题，提供一种适用范围广的基于双通道卷积神经网络学习的非刚性三维模型分类方法。本专利技术的技术解决方案是：一种基于双通道卷积神经网络学习的非刚性三本文档来自技高网...

【技术保护点】
1.一种基于双通道卷积神经网络学习的非刚性三维模型分类方法，包括建立分类模型，其特征在于所述建立分类模型依次按照如下步骤进行：/n步骤1：生成三维模型的BoF特征图像：/n令非刚性模型的集合M＝{Mq}表示三维模型集合，其中Mq表示三维模型集合M中的一个三维模型，所述q＝1,2,3……m；从q＝1开始至q＝m，依次重复步骤1.1～1.4，获得m个三维模型Mq的BoF特征图像；/n步骤1.1提取三维模型Mq的低级几何特征：p×n维的HKS热核特征矩阵

【技术特征摘要】
1.一种基于双通道卷积神经网络学习的非刚性三维模型分类方法，包括建立分类模型，其特征在于所述建立分类模型依次按照如下步骤进行：
步骤1：生成三维模型的BoF特征图像：
令非刚性模型的集合M＝{Mq}表示三维模型集合，其中Mq表示三维模型集合M中的一个三维模型，所述q＝1,2,3……m；从q＝1开始至q＝m，依次重复步骤1.1～1.4，获得m个三维模型Mq的BoF特征图像；
步骤1.1提取三维模型Mq的低级几何特征：p×n维的HKS热核特征矩阵及1×n维的平均测地线距离AGD特征矩阵所述p为顶点的特征维度，n为顶点数；所述i＝1,2,3……n；
步骤1.2构建联合特征描述符将两个特征矩阵和连接起来；
步骤1.3采用特征词袋模型方法，对联合特征描述符构建中级特征词袋表示F，具体步骤如下：
步骤1.3.1令为三维模型Mq的联合特征描述符集合，将S进行聚类，计算聚类中心D，D＝{dl}∈R(p+1)×k，所述l＝1,2,3……k，k为分类数目；
步骤1.3.2依据平均测地线距离AGD特征对聚类中心D进行降序排列，构造D＊；
步骤1.3.3利用软量化SVQ方法，将联合特征描述符量化到视觉词汇D＊上，利用公式(1)构造U＝{ui}，即BoF特征；



其中，α表示平滑参数，取α＝1/(8η2)；η表示聚类中心的平均值；
步骤1.3.4引入双调和距离矩阵K，利用公式(2)构建中级特征词袋表示F；



其中，kef代表双调和矩阵K的元素，为三维模型中任意顶点ve和vf之间的调和距离，其中λ,分别代表Laplace-Beltrami算子的特征值和对应的特征向量；
步骤1.4将中级特征词袋表示F矩阵转换为图像表示，即三维模型Mq的BOF特征图像；
步骤2.构建基于BoF特征图像的卷积神经网络BoF-CNN：
步骤2.1使用Alexnet作为BoF-CNN的网络结构；
步骤2.2依次输入m个三维模型BoF特征图像，BoF特征图像统一分辨率为224*224像素；
步骤2.3网络参数设置，其中batch_size设置为16，正则化参数σ设置为0.5，学习率设置为0.01，dropout率设为0.5；
步骤2.4输出4096维长度的深度特征向量；
步骤3.建立多视图网络学习...

【专利技术属性】
技术研发人员：韩丽，于冰，朴京钰，佟宇宁，
申请(专利权)人：辽宁师范大学，
类型：发明
国别省市：辽宁;21