一种基于深度学习算法的三维建模方法技术

本发明专利技术涉及三维建模，具体涉及一种基于深度学习算法的三维建模方法，构建基于深度学习的姿态识别网络模型，利用训练集进行模型训练得到训练好的姿态识别网络模型；利用训练好的姿态识别网络模型对待识别图像进行姿态识别，得到待识别图像对应的小动物姿态；基于待识别图像对应的小动物姿态确定待建模对象对应的三维模型空间，并基于预设建模精度划分三维模型空间得到多个三维子空间；计算各三维子空间的角点坐标对应的有向距离值；根据各三维子空间的角点坐标对应的有向距离值，在三维模型空间中生成待建模对象与三维子空间相交的至少一个三角面；本发明专利技术提供的技术方案能够有效克服现有技术所存在的难以针对小动物建立精确三维模型的缺陷。三维模型的缺陷。三维模型的缺陷。

【技术实现步骤摘要】
一种基于深度学习算法的三维建模方法


[0001]本专利技术涉及三维建模，具体涉及一种基于深度学习算法的三维建模方法。

技术介绍

[0002]三维模型常用三维建模软件生成，作为点和其它信息集合的载体，三维模型可以手工生成，也可以按照一定算法生成。目前，三维模型已经广泛应用于各种领域，在医疗行业通过三维建模能够制作器官的精确模型，电影行业将三维模型用于活动的人物、物体以及现实电影，视频游戏产业则将三维模型作为计算机与视频游戏中的资源，建筑业通过三维模型来展示建筑物或者进行风景表现。在最近几十年，地球科学领域开始构建三维地质模型。
[0003]小动物的检测、三维模型的建立以及模型图像的重构在生物学、生态学以及医学等领域有着诸多应用需求，但是目前大部分的研究方向仍然偏向于人体三维模型的建立，这是因为相较于人类，小动物的种类更多，各个动物种类之间的差异较大，难以有效建立相应的三维模型。同时，由于小动物处于活跃状态，不像人类能够听从各种指令并做出相应的动作，以便于获取3D数据，因此难以针对小动物建立精确的三维模型。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术所存在的上述缺点，本专利技术提供了一种基于深度学习算法的三维建模方法，能够有效克服现有技术所存在的难以针对小动物建立精确三维模型的缺陷。
[0006](二)技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0008]一种基于深度学习算法的三维建模方法，包括以下步骤：
[0009]S1、构建基于深度学习的姿态识别网络模型，利用训练集进行模型训练得到训练好的姿态识别网络模型；
[0010]S2、利用训练好的姿态识别网络模型对待识别图像进行姿态识别，得到待识别图像对应的小动物姿态；
[0011]S3、基于待识别图像对应的小动物姿态确定待建模对象对应的三维模型空间，并基于预设建模精度划分三维模型空间得到多个三维子空间；
[0012]S4、计算各三维子空间的角点坐标对应的有向距离值；
[0013]S5、根据各三维子空间的角点坐标对应的有向距离值，在三维模型空间中生成待建模对象与三维子空间相交的至少一个三角面，并基于三角面构建待建模对象对应的三维模型。
[0014]优选地，S1中构建基于深度学习的姿态识别网络模型，利用训练集进行模型训练得到训练好的姿态识别网络模型，包括：
[0015]获取多幅带有小动物姿态的训练图像，并对各训练图像进行小动物姿态标记，得
到对应的训练标签；
[0016]根据各训练图像及对应的训练标签构建姿态识别网络模型，并利用各训练图像及对应的训练标签对姿态识别网络模型进行模型训练。
[0017]优选地，所述根据各训练图像及对应的训练标签构建姿态识别网络模型，包括：
[0018]对训练图像进行特征提取，得到由H*L*D个特征子图构成的特征图；
[0019]对特征子图进行特征提取，得到小动物姿态的局部特征；
[0020]对局部特征进行加权求和，得到小动物姿态的全局特征，并对全局特征进行降维处理、归一化处理，得到特征图对应的姿态特征；
[0021]根据各训练图像及对应的姿态特征、训练标签构建姿态识别网络模型。
[0022]优选地，所述利用各训练图像及对应的训练标签对姿态识别网络模型进行模型训练，包括：
[0023]将各训练图像及对应的姿态特征、训练标签输入姿态识别网络模型；
[0024]利用反向传播算法计算对比损失值，并基于对比损失值对姿态识别网络模型的模型参数进行优化调节。
[0025]优选地，所述利用反向传播算法计算对比损失值，包括：
[0026]采用下式计算对比损失值：
[0027][0028]其中，E为对比损失值，rep(p)代表训练图像p对应的姿态特征，rep
’
(p)代表训练图像p对应的训练标签，n为训练图像的数量。
[0029]优选地，S4中计算各三维子空间的角点坐标对应的有向距离值，包括：
[0030]确定待建模对象在预设相机内的三维坐标，并基于三维坐标和预设对象掩膜计算三维子空间的角点坐标对应的有向距离值。
[0031]优选地，所述基于三维坐标和预设对象掩膜计算三维子空间的角点坐标对应的有向距离值，包括：
[0032]确定预设相机的焦距和主点，并结合待建模对象在预设相机内的三维坐标计算三维子空间的角点在预设相机平面内的二维坐标；
[0033]根据二维坐标和预设相机平面所有像素的有向距离值，确定三维子空间的角点坐标在预设相机平面内的有向距离值。
[0034]优选地，所述根据二维坐标和预设相机平面所有像素的有向距离值，确定三维子空间的角点坐标在预设相机平面内的有向距离值，包括：
[0035]根据二维坐标和预设相机平面所有像素的有向距离值，得到三维子空间的角点坐标在每个预设相机平面内的平面有向距离值；
[0036]基于平面有向距离值，确定三维子空间的角点坐标对应的有向距离值。
[0037]优选地，S5中根据各三维子空间的角点坐标对应的有向距离值，在三维模型空间中生成待建模对象与三维子空间相交的至少一个三角面，包括：
[0038]基于各三维子空间的角点坐标对应的有向距离值，确定各三维子空间与待建模对象的相交情况；
[0039]根据各三维子空间与待建模对象的相交情况，在三维模型空间中生成待建模对象
与三维子空间相交的至少一个三角面。
[0040](三)有益效果
[0041]与现有技术相比，本专利技术所提供的一种基于深度学习算法的三维建模方法，具有以下有益效果：
[0042]1)构建基于深度学习的姿态识别网络模型，利用训练集进行模型训练得到训练好的姿态识别网络模型，利用训练好的姿态识别网络模型对待识别图像进行姿态识别，得到待识别图像对应的小动物姿态，从而能够利用基于深度学习的姿态识别网络模型实现对待识别图像中小动物姿态的精准识别；
[0043]2)基于待识别图像对应的小动物姿态确定待建模对象对应的三维模型空间，并基于预设建模精度划分三维模型空间得到多个三维子空间，计算各三维子空间的角点坐标对应的有向距离值，根据各三维子空间的角点坐标对应的有向距离值，在三维模型空间中生成待建模对象与三维子空间相交的至少一个三角面，并基于三角面构建待建模对象对应的三维模型，根据小动物姿态确定待建模对象对应的三维模型空间，通过在三维模型空间中生成三角面并基于三角面进行三维建模，能够有效提升对于小动物局部肢体细节的建模能力，从而实现对小动物进行精确三维建模的目的。
附图说明
[0044]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的三维建模方法，其特征在于：包括以下步骤：S1、构建基于深度学习的姿态识别网络模型，利用训练集进行模型训练得到训练好的姿态识别网络模型；S2、利用训练好的姿态识别网络模型对待识别图像进行姿态识别，得到待识别图像对应的小动物姿态；S3、基于待识别图像对应的小动物姿态确定待建模对象对应的三维模型空间，并基于预设建模精度划分三维模型空间得到多个三维子空间；S4、计算各三维子空间的角点坐标对应的有向距离值；S5、根据各三维子空间的角点坐标对应的有向距离值，在三维模型空间中生成待建模对象与三维子空间相交的至少一个三角面，并基于三角面构建待建模对象对应的三维模型。2.根据权利要求1所述的基于深度学习算法的三维建模方法，其特征在于：S1中构建基于深度学习的姿态识别网络模型，利用训练集进行模型训练得到训练好的姿态识别网络模型，包括：获取多幅带有小动物姿态的训练图像，并对各训练图像进行小动物姿态标记，得到对应的训练标签；根据各训练图像及对应的训练标签构建姿态识别网络模型，并利用各训练图像及对应的训练标签对姿态识别网络模型进行模型训练。3.根据权利要求2所述的基于深度学习算法的三维建模方法，其特征在于：所述根据各训练图像及对应的训练标签构建姿态识别网络模型，包括：对训练图像进行特征提取，得到由H*L*D个特征子图构成的特征图；对特征子图进行特征提取，得到小动物姿态的局部特征；对局部特征进行加权求和，得到小动物姿态的全局特征，并对全局特征进行降维处理、归一化处理，得到特征图对应的姿态特征；根据各训练图像及对应的姿态特征、训练标签构建姿态识别网络模型。4.根据权利要求3所述的基于深度学习算法的三维建模方法，其特征在于：所述利用各训练图像及对应的训练标签对姿态识别网络模型进行模型训练，包括：将各训练图像及对应的姿态特征、训练标签输入姿态识别网络模型；利用反向传播算法计算对比损失值，并基于对比损失值对姿态识别网络模型的模型参数...

【专利技术属性】
技术研发人员：窦少彬，左兆陆，
申请(专利权)人：苏州阿尔忒计算技术有限公司，
类型：发明
国别省市：