基于草图的三维模型检索方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109033144A(43)申请公布日2018.12.18(21)申请号201810597066.1(22)申请日2018.06.11(71)申请人厦门大学地址361000福建省厦门市思明区思明南路422号(72)发明人姚俊峰刘笑寒代诚朋(74)专利代理机构泉州市文华专利代理有限公司35205代理人戴中生(51)Int.Cl.G06F17/30(2006.01)G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书1页说明书3页附图1页(54)发明名称基于草图的三维模型检索方法(57)摘要本发明一种基于草图的三维模型检索方法，将三维模型处理成多张视角截图的形式，再使用不同的轮廓提取算子将其处理成不同样式的草图，得到草图数据集，将数据集设置好标签后用于训练和测试过程；在卷积神经网络的基础上加入了层次网络方法，1个大分类网络用于训练大的分类，将输入的草图分类到40个大类中，40个小分类网络分别训练每一类模型中的具体差异，将输入的草图分类到某个大类中一个具体的三维模型上，可以较高准确度地检索出三维模型，信息冗余小，本发明使用采样轮廓点计算出的角度矩阵作为卷积神经网络的输入，更加符合草图的特性，检索精确度高。CN109033144ACN109033144A权利要求书1/1页1.基于草图的三维模型检索方法，其特征在于：将三维模型处理成多张视角截图的形式，再使用不同的轮廓提取算子将其处理成不同样式的草图，在草图轮廓上采样点计算出维度相同的角度矩阵，设置好标签后得到数据集，将数据集用于训练和测试过程；基于层次网络划分数据集，将整个数据集划分为41个网络，其中，1个大分类网络用于训练大的分类，将输入的草图分类到40个大类中，40个小分类网络分别训练每一类模型中的具体差异，将输入的草图分类到某个大类中一个具体的三维模型上；训练时，使用GoogleNet卷积神经网络框架，结合1+40分类网络进行特征提取，首先，输入训练样本至卷积神经网络中进行自动的特征选取和特征表示；然后，这些特征以及权重会被送入每次迭代后生成的.mat文件中作为分类模型；在分类模型建立的同时系统会抽取测试样本中的各个草图进行检索，来验证分类模型的预测结果准确度，并根据这些预测结果的准确度来修改卷积神经网络的参数，然后再输入训练样本提取特征，送入上次生成的.mat文件中作为分类模型，验证分类模型的预测结果准确度，并根据这些预测结果的准确度来修改卷积神经网络的参数，如此迭代，直至准确度和训练效率符合阈值条件；输入需要检索和匹配的草图至大分类网络的分类模型中，得到草图所属的大类；取得该大类下小分类网络的分类模型；再次输入草图，匹配输出草图所属的三维模型编号；根据该编号从三维模型库调取对应三维模型输出给用户。2.根据权利要求1所述的基于草图的三维模型检索方法，其特征在于：先从三维模型库选取任一三维模型作为训练样本，将该三维模型渲染生成若干个视角的二维截图；使用不同的轮廓提取算子对每张二维截图分别进行轮廓提取，生成若干张类草图；对所有生成的类草图，在其轮廓上采样点计算出维度相同的角度矩阵，该角度矩阵作为训练的数据集。3.根据权利要求1所述的基于草图的三维模型检索方法，其特征在于：将匹配出的三维模型输出给用户时，以增强现实方式呈现给用户。2CN109033144A说明书1/3页基于草图的三维模型检索方法技术领域[0001]本发明涉及一种基于草图的三维模型检索方法。背景技术[0002]现有的结合深度学习的基于草图的模型检索技术都是将草图直接分类到每一个模型上，这在检索与匹配的流程中会出现大量的信息冗余。而且大多与图像检索相同，直接采用图片像素输入，没有考虑到草图像素较稀疏的特性，因此精确度较差。发明内容[0003]本发明的目的在于提供一种基于草图的三维模型检索方法，实现了基于草图的三维模型检索，用户手绘草图输入，可以快速检索出相似的三维模型，并将相似度高的至少一个模型输出给用户。[0004]本发明基于草图的三维模型检索方法，将三维模型处理成多张视角截图的形式，再使用不同的轮廓提取算子将其处理成不同样式的草图，在草图轮廓上采样点计算出维度相同的角度矩阵，设置好标签后得到数据集，将数据集用于训练和测试过程；[0005]基于层次网络划分数据集，将整个数据集划分为41个网络，其中，1个大分类网络用于训练大的分类，将输入的草图分类到40个大类中，40个小分类网络分别训练每一类模型中的具体差异，将输入的草图分类到某个大类中一个具体的三维模型上；[0006]训练时，使用GoogleNet卷积神经网络框架，结合1+40分类网络进行特征提取，首先，输入训练样本至卷积神经网络中