基于点云和局部形状特征的三维模型分类方法技术

本发明专利技术提出了一种基于点云和局部形状特征的三维模型分类方法。对点云进行数据预处理。读入点云格式的三维模型数据，选择合适的采样点数，顺序采样，保留采样后的点的法向量的估计值，点的坐标作为点云的原始特征。利用KNN来计算点云中的每个点的邻居关系，构建邻接矩阵，进一步计算得到拉普拉斯算子。把点云的局部形状特征与原始特征融合起来，得到综合特征表示。设计了包括变换矩阵、图卷积层、池化层和MLP的图卷积神经网络模型。使用训练数据来优化图卷积神经网络和支持向量机SVM，利用图卷积神经网络从测试数据的综合特征表示中进一步提取特征，再输入到SVM中，得到三维模型分类结果。本发明专利技术具有较好的三维模型分类效果。果。

【技术实现步骤摘要】
基于点云和局部形状特征的三维模型分类方法

：
[0001]本专利技术涉及一种基于点云和局部形状特征的三维模型分类方法，该方法在三维模型分类领域有着很好的应用。

技术介绍
：
[0002]近年来，科学技术的不断发展，让机器建立起对客观世界的认识显得越来越重要。由于客观世界是由三维的事物组成的，三维模型在客观世界中占据了很大一部分，因此三维模型应用也日益广泛，三维模型分类在各个领域中变得越来越重要。目前三维模型已被广泛应用于虚拟现实、工业设计、无人驾驶、影视动画和分子生物学、三维重建等各个领域。随着这方面研究的不断深入，三维模型变得比以往更加的多变与复杂。如何更加有效地对三维模型进行合理分类已经成为相关领域的研究重点，甚至对某些技术的突破起到了关键作用。目前，对三维模型的分类主要通过采用规则化表示来进行，比如视图、体素或者点云，这三种规则化表示方法中，点云更加精细，规模可以更大，因此，基于点云的三维模型分类是未来三维模型分类研究的重点。
[0003]在对点云进行处理的方法上，有很多技术都能够很好的规避点云的特性带来的一系列难题，图卷积就是其中的一种。通过构建图上的卷积操作，使得基于图卷积构建的图卷积神经网络能够很好的处理点云这种非欧氏空间的数据。为了更全面的获取到点云的特征，本专利技术使用局部形状特征来描述点云的局部特征，并且在构建的图卷积神经网络中使用一个变换矩阵来学习点云的旋转不变性，此外还采用图卷积神经网络与支持向量机SVM相结合的方式来完成三维模型分类任务。

技术实现思路
：
[0004]1.一种基于点云和局部形状特征的三维模型分类方法，其特征在于，该方法包括以下步骤：
[0005]步骤1：对ModelNet40点云进行数据预处理；
[0006]步骤2：对采样后的点云，利用KNN来计算点云中的每个点的邻居关系，从而构建邻接矩阵，在得到邻接矩阵之后，进一步计算得到拉普拉斯算子；
[0007]步骤3：将局部形状描述子应用在采样后的点云数据中，在步骤2得到点云中每个点的邻域空间的前提下，利用D1形状特征描述每个点的邻域空间内的质心与随机采样点之间的距离，利用D2形状特征描述邻域空间内两个随机采样点之间的距离，利用D3形状特征来描述在邻域空间内由3个随机采样点形成的三角形面积的平方根，利用D4形状特征来描述在邻域空间内由4个随机采样点形成的四面体体积的立方根，利用A3形状特征来描述在邻域空间内由3个随机采样点形成的夹角的角度；
[0008]步骤4：把局部形状特征与点云的原始特征融合起来，得到综合特征表示，将ModelNet40中经过特征融合的三维模型训练集作为训练数据，将ModelNet40中经过特征融合的三维模型测试集作为测试数据；
[0009]步骤5：设计图卷积神经网络模型，包括变换矩阵、图卷积层、池化层和MLP，确定图卷积神经网络模型的参数；
[0010]步骤6：使用训练数据来优化图卷积神经网络和支持向量机SVM，利用图卷积神经网络从测试数据的综合特征表示中进一步提取特征，再输入到支持向量机SVM中，得到三维模型的分类结果。
[0011]2.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法，其特征在于，所述步骤1中，对点云的数据进行预处理，具体步骤为：
[0012]步骤1
‑
1使用KNN寻找点云中每个点距离最近的三点，构成一个平面，计算该平面的法向量作为该点的法向量，记当前点为K，使用KNN寻找到的最近两点记为P1以及P2，则点K的法向量的估计值为A、B、C由求解以下方程组得到：
[0013][0014]其中，f(P)＝Ax+By+Cz+D，P＝（x，y，z)；
[0015]步骤1
‑
2读入点云格式的三维模型数据，选择合适的采样点数Samples，顺序采样，同时保留采样后的点的法向量的估计值，点的坐标作为点云的原始特征；
[0016]3.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法，其特征在于，所述步骤2中，拉普拉斯算子的计算，具体步骤为：
[0017]步骤2
‑
1对点云中的每个点使用KNN来获得邻居点的集合，即当前点为P，采集到的邻居点集合为N＝{P1,
…
,P
i
,
…
,P
k
}，其中P
i
＝(x
i
，y
i
，z
i
)是空间中点的坐标；
[0018]步骤2
‑
2从集合N中计算每两点之间的欧式距离，填入到邻接矩阵中，欧氏距离的计算方法如下所示：
[0019][0020]其中，P
i
＝(x
i
，y
i
，z
i
)，关于邻接矩阵A上的元素值，计算方法如下所示：
[0021][0022]且在其中A
i，j
＝A
j，i
；
[0023]步骤2
‑
3得到邻接矩阵A后，计算得到对应的拉普拉斯算子L，如下所示：
[0024]L＝D
‑
A
[0025]其中，D为度矩阵，D
i，i
表示图上第i个节点的度，且D
i，i
＝∑
j
A
i，j
，得到拉普拉斯算子L后，再进行归一化，如下形式：
[0026][0027]其中，I
n
为单位矩阵；
[0028]4.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法，其特征在于，所述步骤3中，对局部形状特征的提取，具体步骤为：
[0029]步骤3
‑
1 D1形状特征的提取，D1形状特征描述的是邻域空间内的质心与随机采样
点之间的距离，质心点O的计算方法如下：
[0030][0031]其中，P
i
＝(x
i
，y
i
，z
i
)，且P
i
∈N，K为N中点的个数，记N中随机取得的一点为P
r
，P
r
∈N，D1的计算方法如下：
[0032][0033]步骤3
‑
2 D2形状特征的提取，D2形状特征描述邻域空间内两个随机采样点之间的距离，记N中随机取得的两点分别为P
ri
和P
rj
，且P
ri
，P
rj
∈N，D2计算方法如下：
[0034][0035]步骤3
‑
3 D3形状特征的提取，D3形状特征描述在邻域空间内由3个随机采样点形成的三角形面积的平方根，记N中随机取得的三点分别为P
r1
、P
r2
以及P
r3
，有P
r1
，P
...

【技术保护点】

【技术特征摘要】
1.一种基于点云和局部形状特征的三维模型分类方法，其特征在于，该方法包括以下步骤：步骤1：对ModelNet40点云进行数据预处理；步骤2：对采样后的点云，利用KNN来计算点云中的每个点的邻居关系，从而构建邻接矩阵，在得到邻接矩阵之后，进一步计算得到拉普拉斯算子；步骤3：将局部形状描述子应用在采样后的点云数据中，在步骤2得到点云中每个点的邻域空间的前提下，利用D1形状特征描述每个点的邻域空间内的质心与随机采样点之间的距离，利用D2形状特征描述邻域空间内两个随机采样点之间的距离，利用D3形状特征来描述在邻域空间内由3个随机采样点形成的三角形面积的平方根，利用D4形状特征来描述在邻域空间内由4个随机采样点形成的四面体体积的立方根，利用A3形状特征来描述在邻域空间内由3个随机采样点形成的夹角的角度；步骤4：把局部形状特征与点云的原始特征融合起来，得到综合特征表示，将ModelNet40中经过特征融合的三维模型训练集作为训练数据，将ModelNet40中经过特征融合的三维模型测试集作为测试数据；步骤5：设计图卷积神经网络模型，包括变换矩阵、图卷积层、池化层和MLP，确定图卷积神经网络模型的参数；步骤6：使用训练数据来优化图卷积神经网络和支持向量机SVM，利用图卷积神经网络从测试数据的综合特征表示中进一步提取特征，再输入到支持向量机SVM中，得到三维模型的分类结果。2.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法，其特征在于，所述步骤1中，对点云的数据进行预处理，具体步骤为：步骤1
‑
1使用KNN寻找点云中每个点距离最近的三点，构成一个平面，计算该平面的法向量作为该点的法向量，记当前点为K，使用KNN寻找到的最近两点记为P1以及P2，则点K的法向量的估计值为A、B、C由求解以下方程组得到：其中，f(P)＝Ax+By+Cz+D，P＝(x，y，z)；步骤1
‑
2读入点云格式的三维模型数据，选择合适的采样点数Samples，顺序采样，同时保留采样后的点的法向量的估计值，点的坐标作为点云的原始特征。3.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法，其特征在于，所述步骤2中，拉普拉斯算子的计算，具体步骤为：步骤2
‑
1对点云中的每个点使用KNN来获得邻居点的集合，即当前点为P，采集到的邻居点集合为N＝{P1，...，P
i
，...，P
k
}，其中P
i
＝(x
i
，y
i
，z
i
)是空间中点的坐标；步骤2
‑
2从集合N中计算每两点之间的欧式距离，填入到邻接矩阵中，欧氏距离的计算方法如下所示：
其中，P
i
＝(x
i
，y
i
，z
i
)，关于邻接矩阵A上的元素值，计算方法如下所示：且在其中A
i，j
＝A
j，i
；步骤2
‑
3得到邻接矩阵A后，计算得到对应的拉普拉斯算子L，如下所示：L＝D
‑
A其中，D为度矩阵，D
i，i
表示图上第i个节点的度，且D
i，i
＝∑
j
A
i，j
，得到拉普拉斯算子L后，再进行归一化，如下形式：其中，I
n
为单位矩阵。4.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法，其特征在于，所述步骤3中，对局部形状特征的提取，具体步骤为：步骤3
‑
1 D1形状特征的提取，D1形状特征描述的是邻域空间内的质心与随机采样点之间的距离，质心点O的计算方法如下：其中，P
i
＝(x
i
，y
i
，z
i
)，且P
i
∈N，K为N中点的个数，记N中随机取得的一点为P
r
，P
r
∈N，D1的计算方法如下：步骤3
‑
2 D2形状特征的提取，D2形状特征描述邻域空间内两个随机采样点之间的距离，记N中随机取得的两点分别为P
ri
和P
rj
，且P
ri
，P
rj
∈N，D2计算方法如下：步骤3
‑
3 D3形状特征的提取，D3形状特征描述在邻域空间内由3 个随机采样点形成的三角形面积的平方根，记N中随机取得的三点分别为P
r1
、P
r2
以及P
r3
，有P
r1
，P
r2
，P
r3
∈N，D3的计算方法如下：其中，a＝dist(P
r1
...

【专利技术属性】
技术研发人员：高雪瑶，苑庆贤，张春祥，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：