[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

说明书

本发明公开了基于交替优化深度学习模型的三维模型兴趣点提取方法；采用特征描述符提取每个三维模型表面所有顶点的特征向量，组成第一高维向量，作为输入；使用标签值函数对所有顶点进行计算，获得所有顶点为兴趣点的标签值，作为输出，训练神经网络；使用训练后的神经网络对每个三维模型进行预测，结合密度峰值聚类方法提取出兴趣点；将预测结果与所有顶点为兴趣点的标签值对比，基于此对部分顶点为兴趣点的标签值进行优化；将优化后的标签值作为输出，输入不变，再次对神经网络进行训练；多次训练后得到最终神经网络模型；采用最终神经网络模型，并结合密度峰值聚类方法，可提取出同一类三维模型的兴趣点；该方法不仅快速且准确。

技术领域

本发明属于三维模型兴趣点提取技术领域，特别是基于交替优化深度学习模型的三维模型兴趣点提取方法。

背景技术

三维模型表面的兴趣点(Points of Interest)也被称为特征点，一般具有特定的几何与语义特征，往往是三维模型表面视觉效果突出的点。提取三维模型上的兴趣点，能够对数字几何处理中的许多问题提供帮助。比如，在三维模型分割问题中[1]，Katz等[2]利用兴趣点将网格模型划分为不同的部分，然后沿着部位的边界生成一致性的分割。在人脸识别问题中，Blanz等[3]通过在人脸图片上标注兴趣点，以此估计人脸的三维形状和纹理，从而建模出强大且通用的人脸表示。此外，提取兴趣点对于面部表情识别[4]、网络的变形和编辑[5]等问题也有较大的帮助。

传统三维模型兴趣点检测算法通常根据多边形面片上几何特征的显著性来提取兴趣点。例如，Wang等提出了基于数据引力(Data Gravitation)的三维模型特征点检测算法，该算法通过选择高斯曲率值最大的顶点作为初始点，然后计算每个顶点的权重，并删除阈值之下的多余点，从而得到三维模型表面的兴趣点。Sipiran等提出了一种基于Harris算子的兴趣点检测器，该算法对三维模型的形变具有较强的鲁棒性。Hu等提出一种在Laplace-Beltrami谱域中提取几何特征点的算法，该算法将频率与三维模型的尺度信息对应，实现了全局和局部匹配,即使对形变的模型也十分有效。

除了几何特征之外，还可以根据其他的一些描述方式来进行三维模型上的兴趣点检测。例如Wang等研究人员提出了一种新的多尺度图卷积网络(Multiscale GraphConvolutional Network)，将小波能量分解特征转换为新的描述符,该描述符能够适应模型上多种不同曲面。Wang等提出了一种新的局部特征描述符，该描述符将顶点周围的光谱特征编码为几何图像，对二维图像进行傅里叶变换，计算区域的特征信息。使用该描述符计算局部特征信息时，模型的分辨率和面片的三角剖分方式并不影响实验结果。

此外，图像信息也对三维模型兴趣点提取有较大的帮助。Castellani等通过计算三维模型的局部特征，对三维模型表面的每个顶点训练隐马尔可夫模型(HMMs)，并利用相似度的差异来匹配不同视图的兴趣点。Tonioni等将兴趣点检测问题与网格分割问题相结合，使用给定的描述符对特征点进行分类,并使用随机森林分类器实现兴趣点的提取。

除了利用顶点的几何特征外，还能在顶点上附加如语义标签等额外的特征信息,从而提高三维模型兴趣点提取算法的鲁棒性。Teran等通过编码人工标签的主观认知标准，并由此提取模型上的兴趣点,使得提取结果更符合人类的主观认知。Creusot等使用多个局部表面描述符提取特征，利用提取到的特征拟合出一个最优函数，利用这个最优函数分离出模型的普通顶点和兴趣点。Saliti等利用一个预定义的特征描述符检测器，将三维模型上的顶点划分为特征点和非特征点，从而实现三维模型兴趣点的提取。

近年来，随着三维建模技术的不断进步，三维模型也变得越来越复杂，对模型兴趣点的提取算法也提出了更高的要求。然而传统的兴趣点提取算法中，有的使用特征描述符提取特征，有的使用模型的二维投影提取特征。对于复杂的模型来说，在某些区域内模型的顶点特征差异较小，点与点之间距离不大，通过传统的兴趣点提取算法直接提取特征点可能会造成较多误判。而在某些区域，点与点之间的特征变化明显，通过传统的兴趣点提取算法提取这些顶点后,可能会遗漏邻近区域特征变化平滑的兴趣点。