[发明专利]基于交替优化深度学习模型的三维模型兴趣点提取方法

权利要求书

1.基于交替优化深度学习模型的三维模型兴趣点提取方法，其特征在于，包括：

S1、将同一类的三维模型作为训练集；

S2、采用多种特征描述符，提取所述训练集中每个三维模型表面所有顶点对应的特征向量，并将提取出来的特征向量串联成第一高维向量；

S3、使用标签值函数对所述训练集中每个三维模型表面所有顶点进行计算，获得所述训练集中所有顶点为兴趣点的标签值；

S4、将所述第一高维向量作为输入，将所述S3中所有顶点为兴趣点的标签值作为输出，训练神经网络；

S5、使用训练后的神经网络分别对所述训练集中每个三维模型进行预测，输出所有顶点对应的标签值，基于此使用密度峰值聚类方法，提取出所述训练集中每个三维模型的兴趣点；

S6、将所述S5中所有顶点对应的标签值与该所有顶点在S3中为兴趣点的标签值进行对比，根据对比结果对部分顶点为兴趣点的标签值进行优化；

S7、将优化后的训练集中三维模型表面所有顶点为兴趣点的标签值作为输出，将所述第一高维向量作为输入，再次对所述神经网络进行训练；

S8、循环执行S5-S7至预设次数，得到最终神经网络模型；

S9、对于同一类的三维模型，通过所述最终神经网络模型对其进行操作，并结合所述密度峰值聚类方法，提取出所述同一类的三维模型的兴趣点。

2.如权利要求1所述的基于交替优化深度学习模型的三维模型兴趣点提取方法，其特征在于，所述S2中，多种特征描述符包括：平均测地距离描述符、形状直径函数描述符、高斯曲率描述符、全局特征尺度不变热核特征描述符，以及波核特征描述符。

3.如权利要求1所述的基于交替优化深度学习模型的三维模型兴趣点提取方法，其特征在于，所述S3中，标签值函数表示为：

其中，c_n表示三维模型上距离顶点vi最近的兴趣点；d(c_n,v_i)表示三维模型顶点vi与兴趣点c_n的测地距离；D_max表示d(c_n,v_i)的最大值；D_min表示d(c_n,v_i)的最小值。

4.如权利要求1所述的基于交替优化深度学习模型的三维模型兴趣点提取方法，其特征在于，所述S5具体包括：

S51、将所述训练集中每个三维模型表面所有顶点对应的特征向量依次输入到训练后的所述神经网络中，输出所有顶点对应的标签值；

S52、基于所述S51中所有顶点对应的标签值，通过密度峰值聚类方法画出决策图；

S53、通过所述决策图上点的分布提取出所述训练集中三维模型的兴趣点。

5.如权利要求4所述的基于交替优化深度学习模型的三维模型兴趣点提取方法，其特征在于，所述S52具体包括：

将所述所有顶点对应的密度值ρ作为横轴，将顶点v_i到顶点v_j的测地距离值δ作为纵轴，构建决策图；

其中，所述密度值ρ为每一个顶点的标签值；所述顶点v_j是距离所述顶点v_i最近的一个密度值大于所述顶点v_i的顶点。

6.如权利要求4所述的基于交替优化深度学习模型的三维模型兴趣点提取方法，其特征在于，所述S53具体包括：

S531、基于所述决策图，通过公式(3)确定兴趣点选择区域；

其中，r_i表示兴趣点选择区域的横轴；d_i表示兴趣点选择区域的纵轴；ρ_min表示兴趣点中最小的ρ值；δ_min表示兴趣点之间的最小测地距离；将非兴趣点中拥有最大δ值的点命名为k点；δ_k表示k点的δ值；

S532、通过公式(4)筛选所述兴趣点选择区域中的顶点，并将筛选出来的顶点作为兴趣点；

其中，密度值ρ为决策图的横轴，即表示兴趣点的横坐标；测地距离值δ为决策图的纵轴，即表示兴趣点的纵坐标。