【技术实现步骤摘要】
所属的技术人员知道，本专利技术可以实现为系统、方法或计算机程序产品尽管上面已经示出和描述了本专利技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本专利技术的限制，本领域的普通技术人员在本专利技术的范围内可以对上述实施例进行变化、修改、替换和变型。
技术介绍
1、随着计算机技术和三维建模软件的快速发展，人们所使用的多媒体数据已经从传统二维图像过渡到了三维数字几何。由于各领域对三维建模技术的广泛应用，出现了大量的三维模型，为了有效的组织这些三维模型，需要对这些三维模型进行分类。如果仅仅依赖手工对三维模型进行分类，会消耗大量的人力物力，因此需要一种快速有效的识别算法来自动确定三维模型的类别信息，由于三维数据的表达具有多样性，导致在每种三维模型表示形式下，应用深度学习方法都有着不同的难点。对于点云形式的三维数据，其结构中的空间点具有乱序性。对于体素形式的三维数据，应用三维卷积的计算复杂度呈指数级增长。对于网格形式的三维数据，拓扑结构难以应用传统卷积神经网络处理。在三维目标特征提取和识别任务上，当前相关方法速度较慢，精度低且对三维模型要求较高。
2、例如公开号为cn110942110a的专利公开了一种三维模型的特征提取方法和装置，该特征提取方法包括：对三维模型进行预处理获得原始点云数据；将所述原始点云数据作为预先构建的神经网络的输入，获取所述三维模型融合有局部特征的全局特征，具体的为以所述原始点云数据为输入，在预先构建的神经网络中所述原始点云数据经过差异性对称函数处理和姿态转换网络处理分别获得第一局部特征和第二局
3、例如公开号为cn116778470a的专利提供了一种对象识别及对象识别模型训练方法、装置、设备及介质，获取样本三维图像及其对象标注、多个样本三维体素图以及待训练的对象识别模型，该对象识别模型包括二维全局特征提取网络、二维特征处理网络、三维编/解码网络以及多维特征融合网络；将样本三维图像和样本三维体素图输入到该对象识别模型中，得到样本三维图像的第一对象预测结果和样本三维体素图的第二预测结果；根据第一对象预测结果、第二预测结果和对象标注调整对象识别模型的参数，如此，以得到训练后的对象识别模型。之后，基于训练好的对象识别模型对待识别三维图像中的对象进行识别，提高对象识别的准确率。
4、以上专利均存在本
技术介绍
提出的问题：对全局特征进行处理，缺乏局部特征信息，提取单一的特征使得三维模型信息含量较少，影响识别准确性；为解决以上问题，本申请设计了基于神经网络的三维模型对象提取和识别方法。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足，提供了基于神经网络的三维模型对象提取和识别方法，首先对三维模型对象进行网格化显示，并提取三维模型对象特征，其中，所述三维模型对象特征包括外表几何特征、内部拓扑特征和表面纹理特征，其次，对三维模型对象特征进行融合，确定最优融合特征和最优特征权重，最后构建三维模型对象识别网络，并将所述最优融合特征和最优特征权重作为三维模型对象识别的输入参数，通过对所述三维模型对象识别网络进行训练，输出三维模型对象的识别结果。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于神经网络的三维模型对象提取和识别方法，所述方法包括：
4、a1：对三维模型对象进行网格化显示，并提取三维模型对象特征，其中，所述三维模型对象特征包括外表几何特征、内部拓扑特征和表面纹理特征；
5、a2：根据最优特征融合策略对三维模型对象特征进行融合，确定最优融合特征和最优特征权重；
6、a3：构建三维模型对象识别网络，并将所述最优融合特征和最优特征权重作为三维模型对象识别网络的输入参数，通过对所述三维模型对象识别网络进行训练，输出三维模型对象的识别结果；
7、所述外表几何特征的特征提取具体步骤为：
8、s2.1：对网格化显示后的三维模型对象的表面顶点进行标记，以表面顶点为中心，逐一计算表面顶点以r为半径区域内所有点的曲面投影特征，r满足，点的曲面投影特征的计算公式为：
9、，
10、其中，表示点的曲面投影特征，e表示指数函数，表示离散化拉普拉斯-贝尔塔拉米算子，表示点在表面的投影所围成的三角形面积，cot(•)表示余切函数，表示点在三维网格化模型中x点、y点与表面顶点的夹角，表示点在三维网格化模型中x点、z点与表面顶点的夹角，表示点在三维网格化模型中z点、y点与表面顶点的夹角，表示距离表面顶点最远的点与表面顶点之间的欧氏距离，表示点与表面顶点之间的欧氏距离；
11、s2.2：将半径区域内最大的曲面投影特征对应点作为形状采样点，按局部形状分布函数确认形状采样点邻域，计算形状采样点邻域内的点与形状采样点之间的欧式距离，构建形状采样点的局部形状分布直方图；
12、s2.3：通过高斯窗函数对局部形状分布直方图中各分量分配对应权重，获取局部形状分布矩阵，并计算局部形状区域特征，将各表面顶点的局部形状区域特征重组织，得到多尺度区域特征，局部形状区域特征的计算公式为：
13、，
14、其中，表示局部形状区域特征，i表示形状采样点邻域内单个点，n表示形状采样点邻域内点的总数，g表示局部形状分布函数，表示第i个点的曲面投影特征，h表示局部形状分布矩阵，表示形状采样点邻域内所有点的曲面投影特征平均矩阵，表示矩阵乘法，t表示矩阵转置；
15、s2.4：构建外表几何特征提取网络，并将所述多尺度区域特征作为外表几何特征提取网络的输入参数，通过对所述外表几何特征提取网络进行训练，输出所述外表几何特征；
16、所述内部拓扑特征的特征提取具体步骤为：
17、s3.1：对网格化显示后的三维模型对象进行预处理，获得三维骨架模型；
18、s3.2：创建测地线距离表，初始化三维骨架模型的表面顶点的高度函数值g(v)，并将三维骨架模型的中心点的高度函数值设置为，在测地线距离表中将中心点和所有表面顶点的高度函数值进行填充，其中，height表示三维骨架模型的高度值，g(•)表示高度函数，v表示三维骨架模型的表面顶点；
19、s3.3：依次计算表面顶点到中心点的欧式距离，根据欧氏距离计算表面顶点的测地线距离值，并与中心点的高度函数值进行对比，如果大于中心点的高度函数值，将测地线距离表中表面顶点的高度函数值修改为测地线距离值，如果小于等于中心点的高度函数值，将表面顶点从测地线距离表中删除，表面顶点的测地线距离值计算公式为：
20、，
21、其中，表示表面顶点的测地线距离值，表示表面顶点到中心点的欧式距离，表示中心点，表示表面顶点到中心点的欧式距离的平均值，表示表面顶点到中心点的欧式距离的最大值，表示表面顶点到中心点的欧式距离的最小值本文档来自技高网...
【技术保护点】
1.基于神经网络的三维模型对象提取和识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述基于神经网络的三维模型对象提取和识别方法，其特征在于，所述外表几何特征的特征提取具体步骤为：
3.根据权利要求1所述基于神经网络的三维模型对象提取和识别方法，其特征在于，所述内部拓扑特征的特征提取具体步骤为：
4.根据权利要求1所述基于神经网络的三维模型对象提取和识别方法，其特征在于，所述表面纹理特征的特征提取具体步骤为：
5.根据权利要求4所述基于神经网络的三维模型对象提取和识别方法，其特征在于，所述最优特征融合策略具体步骤如下：
6.根据权利要求5所述基于神经网络的三维模型对象提取和识别方法，其特征在于，构建三维模型对象识别网络，所述三维模型对象识别网络包括：
7.基于神经网络的三维模型对象提取和识别系统，基于如权利要求1-6任一项所述的基于神经网络的三维模型对象提取和识别方法实现，其特征在于，所述系统包括三维模型对象特征提取模块、三维模型对象特征融合模块和三维模型对象识别模块；
8.根据权利要求7
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1-6中任一项所述的基于神经网络的三维模型对象提取和识别方法。
10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。
...【技术特征摘要】
1.基于神经网络的三维模型对象提取和识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述基于神经网络的三维模型对象提取和识别方法，其特征在于，所述外表几何特征的特征提取具体步骤为：
3.根据权利要求1所述基于神经网络的三维模型对象提取和识别方法，其特征在于，所述内部拓扑特征的特征提取具体步骤为：
4.根据权利要求1所述基于神经网络的三维模型对象提取和识别方法，其特征在于，所述表面纹理特征的特征提取具体步骤为：
5.根据权利要求4所述基于神经网络的三维模型对象提取和识别方法，其特征在于，所述最优特征融合策略具体步骤如下：
6.根据权利要求5所述基于神经网络的三维模型对象提取和识别方法，其特征在于，构建三维模型对象识别网络...
【专利技术属性】
技术研发人员：闫宗宝，王晓龙，王瑞琪，毕习远，林芝，
申请(专利权)人：青岛臻图信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。