基于极坐标图卷积神经网络的三维模型特征提取方法

摘要

本发明公开了一种基于极坐标图卷积神经网络的三维模型特征提取方法，首先，使用改进的点云生成方法，从三维网格模型数据中均匀地生成并采样出点云；其次，使用计算得到的体积加权质心完成点云模型标准化和对齐；再次，构建点云的极坐标表示与三维空间直角坐标系表示，获取复合表示；最后，使用图卷积神经网络建模复合表示，捕获局部邻域与全局信息，提取三维模型特征。本发明可以提取具有变换不变性和高鉴别力的三维模型形状内容特征，为后续的分类识别与检索等任务垫定基础。

说明书

技术领域

本发明涉及三维模型分类识别与检索的技术领域，尤其是指一种基于极坐标图卷积神经网络的三维模型特征提取方法。

背景技术

现阶段，有效地提取三维模型的低维、高鉴别力的形状内容特征，有利于对其进行分类与检索等，因此研究三维模型特征提取新方法是当前三维计算机视觉领域的重要研究内容。然而特征提取步骤面临许多难题与挑战，首先，传统的基于点云的方法多采用单一的三维空间直角坐标系表示作为网络输入，缺乏辅助编码信息；其次，传统的从网格采样生成点云的方法，多使用分段插值的方法，缺乏采样策略，极易忽略面片实际大小情况，使得采集得到的点集不够均匀；再次，模型普遍面临旋转、平移、尺度变换等影响；最后，使用传统的多层感知机MLP作为网络特征提取器，无法更有效地建模类似点云的非欧几何数据，难以捕获模型局部领域有效信息，性能提升有限。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于极坐标图卷积神经网络的三维模型特征提取方法，可以提取具有变换不变性和高鉴别力的三维模型形状内容特征，为后续的分类识别与检索等任务垫定基础。

为实现上述目的，本发明所提供的技术方案为：基于极坐标图卷积神经网络的三维模型特征提取方法，包括以下步骤：

S1、获取若干三维网格模型数据，包括顶点集合和面片集合；

S2、基于改进的点云生成方法，对于每一个三维网格模型数据，根据阈值设定判断，进行点云生成，获取其对应的第一点云；

S3、对于每一个三维网格模型数据，获取其对应的体积加权质心；

S4、基于第一点云和体积加权质心，通过平移、比例和旋转变换，构造以体积加权质心为球心的单位高斯球体包裹第一点云，实现把第一点云转换到一个标准统一坐标空间的操作，获取标准化且对齐的第二点云；

S5、基于第二点云，将第二点云投影至极坐标系，获取第二点云的极坐标表示，再将第二点云的极坐标表示与第二点云的三维空间直角坐标系表示进行拼接，获取具有复合表示的第二点云；

S6、基于极坐标图卷积神经网络模型，对于每一个具有复合表示的第二点云，获取其对应的深度学习特征。

进一步，在步骤S1中，读取三维网格模型数据，获取三维网格模型的顶点集合V＝{v

进一步，所述步骤S2包括以下步骤：

S201、基于面片集合F＝{f

式中，S(f

S202、基于面片集合中各面片元素的面积S(f

S203、原始的点云生成方法，是直接进行点云生成操作，并未考虑三维网格模型中每个面片元素面积大小的分布情况；改进的点云生成方法增加了条件判断，是通过阈值设定判断，选择性地对面片元素进行点云生成操作，点云生成操作是基于面片集合中面片元素的信息，进行线性插值，计算得到新的顶点集合，具体如下：

基于面片集合F＝{f

上式中，Set(f

S204、基于对应三维网格模型生成的点云

式中，Sample_Function为最远点采样算法函数或随机采样算法函数，V′为三维网格模型对应的第一点云，n′代表要采样得到的第一点云中顶点元素的个数，v′

进一步，所述步骤S3包括以下步骤：

S301、对于每一个三维网格模型，基于顶点集合V＝{v

式中，

S302、基于面片集合F＝{f

式中，Vol

S303、基于四面体的体积Vol

式中，

进一步，所述步骤S4包括以下步骤：

S401、基于第一点云V′＝{v

V″＝{v″

式中，v″

S402、基于平移变换后的第一点云V″＝{v″

v″′

V″′＝{v″′

式中，s为比例变换因子，v″′

S403、基于平移变换和比例变换后的第一点云V″′＝{v″′

S4031、基于平移变换和比例变换后的第一点云V″′，构造协方差矩阵(V″′)(V″′)

S4032、对协方差矩阵(V″′)(V″′)

S4033、根据公式(15)构建旋转矩阵R，公式(15)如下所示：

R＝Vector

式中，I为3×3大小的单位矩阵；

S404、基于平移变换和比例变换后的第一点云V″′＝{v″′

式中，

进一步，所述步骤S5包括以下步骤：

S501、基于第二点云

式中，(θ

S502、将第二点云的极坐标表示

进一步，所述步骤S6包括以下步骤：

S601、基于具有复合表示

S6011、基于图卷积网络模式，设计极坐标图卷积神经网络模型的网络结构；其中，所述极坐标图卷积神经网络模型的输入是基于具有复合表示

S6012、基于具有复合表示

S602、将基于具有复合表示的第二点云

本发明与现有技术相比，具有如下优点与有益效果：

本发明通过改进的点云生成方法，将三维网格模型采样生成为一个均匀分布的点云集合。通过在原始三维网格模型计算体积加权质心坐标，能够使得模型在进行标准化和对齐操作时考虑体积集合信息。通过对3个分支空洞k近邻图表示进行建图，能使后续图卷积神经网络获得更大的感受野。通过结合注意力机制，极坐标图卷积神经网络模型更好地考虑了特征通道维度上的信息，对于模型局部与全局的特征信息能够更好地建模。本发明的技术流程能够减小采样过程的计算量，避免因平移、比例、旋转等变换对特征提取的影响，从而为后续的图卷积神经网络建模垫定基础。

附图说明

图1为本发明方法的流程示意图。

图2为极坐标图卷积神经网络模型的获取流程示意图。

图3为极坐标图卷积神经网络模型在三维模型特征提取中的应用流程示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

参见图1所示，本实施例所提供的基于极坐标图卷积神经网络的三维模型特征提取方法，包括以下步骤：

S1、获取若干三维网格模型数据，包括顶点集合和面片集合，具体如下：

读取三维网格模型数据，获取三维网格模型的顶点集合V＝{v

S2、基于改进的点云生成方法，对于每一个三维网格模型数据，根据阈值设定判断，进行点云生成，获取其对应的第一点云，具体过程如下：

S201、基于面片集合F＝{f

式中，S(f

S202、基于面片集合中各面片元素的面积S(f

S203、原始的点云生成方法，是直接进行点云生成操作，并未考虑三维网格模型中每个面片元素面积大小的分布情况。此处，改进的点云生成方法，增加了条件判断，是通过阈值设定判断，选择性地对面片元素进行点云生成操作，点云生成操作是基于面片集合中面片元素的信息，进行线性插值，计算得到新的顶点集合，具体如下：

基于面片集合F＝{f

上式中，Set(f

S204、基于对应三维网格模型生成的点云

式中，Sample_Function为最远点采样算法函数或随机采样算法函数，V′为三维网格模型对应的第一点云，n′代表要采样得到的第一点云中顶点元素的个数，v′

S3、对于每一个三维网格模型数据，获取其对应的体积加权质心，具体过程如下：

S301、对于每一个三维网格模型，基于顶点集合V＝{v

式中，

S302、基于面片集合F＝{f

式中，Vol

S303、基于四面体的体积Vol

式中，

S4、基于第一点云和体积加权质心，通过平移、比例和旋转变换，构造以体积加权质心为球心的单位高斯球体包裹第一点云，实现把第一点云转换到一个标准统一坐标空间的操作，获取标准化且对齐的第二点云，具体过程如下：

S401、基于第一点云V′＝{v

V″＝{v″

式中，v″

S402、基于平移变换后的第一点云V″＝{v″

v″

V″′＝{v″′

式中，s为比例变换因子，v″′

S403、基于平移变换和比例变换后的第一点云V″′＝{v″′

S4031、基于平移变换和比例变换后的第一点云V″′，构造协方差矩阵(V″′)(V″′)

S4032、对协方差矩阵(V″′)(V″′)

S4033、根据公式(15)构建旋转矩阵R，公式(15)如下所示：

R＝Vector

式中，I为3×3大小的单位矩阵；

S404、基于平移变换和比例变换后的第一点云V″′＝{v″′

式中，

S5、基于第二点云，将第二点云投影至极坐标系，获取第二点云的极坐标表示，再将第二点云的极坐标表示与第二点云的三维空间直角坐标系表示进行拼接，获取具有复合表示的第二点云，具体过程如下：

S501、基于第二点云

式中，(θ

S502、将第二点云的极坐标表示(θ

S6、参见图2所示，基于极坐标图卷积神经网络模型，对于每一个具有复合表示的第二点云，获取其对应的深度学习特征，具体过程如下：

S601、基于具有复合表示

S6011、基于图卷积网络模式，设计极坐标图卷积神经网络模型的网络结构；其中，所述极坐标图卷积神经网络模型的输入是基于具有复合表示

S6012、基于具有复合表示

S602、将基于具有复合表示的第二点云

参见图3所示，本实施例上述极坐标图卷积神经网络模型在三维模型特征提取的应用流程，包括：

步骤1：读取三维网格模型数据，获取三维网格模型的顶点集合与面片集合；其中，面片集合使用面片元素上顶点索引信息储存面片元素信息；

步骤2：基于改进的点云生成方法，对于每一个三维网格模型，根据阈值设定判断，进行点云生成，获取其对应的第一点云；其中，阈值取面片集合中整体面片元素面积的平均值；

步骤3：对于每一个三维网格模型，获取其对应的加权体积质心；

步骤4：基于第一点云和体积加权质心，通过平移、比例和旋转变换，构造以体积加权质心为球心的单位高斯球体包裹点云，实现把第一点云转换到一个标准统一坐标空间的操作，获取对齐的第二点云；

步骤5：基于第二点云，将第二点云投影至极坐标系，获取第二点云的极坐标表示，再将第二点云的极坐标表示与第二点云的三维空间直角坐标系表示进行拼接，获取具有复合表示的第二点云；

步骤6：基于具有复合表示的第二点云和极坐标图卷积神经网络模型，获取其对应的深度学习特征；其中，极坐标图卷积神经网络模型由建图模块、残差动态图卷积块、融合模块和预测模块构建。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。