(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211164684.X (22)申请日 2022.09.23 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 高雪瑶　苑庆贤　张春祥　 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/32(2022.01) (54)发明名称 基于点云和局部形状特征的三维模型分类 方法 (57)摘要 本发明提出了一种基于点云和局部形状特 征的三维模型分类方法。 对点云进行数据预处 理。 读入点云格式的三维模型数据， 选择合适的 采样点数， 顺序采样， 保留采样后的点的法向量 的估计值， 点的坐标作为点云的原始特征。 利用 KNN来计算点云中的每个点的邻居关系， 构建邻 接矩阵， 进一步计算得到拉普拉斯算子。 把点云 的局部形状特征与原始特征融合起来， 得到综合 特征表示。 设计了包括变换矩阵、 图卷积层、 池化 层和MLP的图卷积神经网络模型。 使用训练数据 来优化图卷积神经网络和支持向量机SVM， 利用 图卷积神经网络从测试数据的综合特征表示中 进一步提取特征， 再输入到SV M中， 得到三维模型 分类结果。 本发明具有较好的三维模型分类效 果。 权利要求书4页 说明书10页 附图2页 CN 115546538 A 2022.12.30 CN 115546538 A 1.一种基于点云和局部形状特征的三维模型分类方法， 其特征在于， 该方法包括以下 步骤： 步骤1： 对Model Net40点云进行 数据预处 理； 步骤2： 对采样后的点云， 利用KNN来计算点云中的每个点的邻居关系， 从而构 建邻接矩 阵， 在得到邻接矩阵之后， 进一 步计算得到拉普拉斯 算子； 步骤3： 将局部形状描述子应用在采样后的点云数据中， 在步骤2得到点云中每个点的 邻域空间的前提下， 利用D1形状特征描述每个点的邻域空间内的质心与随机采样点之 间的 距离， 利用D2形状特征描述邻域空间内两个随机采样点之间的距离， 利用D3形状特征来描 述在邻域空间内由3个随机采样点形成的三角形面积的平方根， 利用D4形状特征来描述在 邻域空间内由4个随机采样点形成的四面体体积的立方根， 利用A3形状特征来描述在邻域 空间内由3个随机采样点形成的夹角的角度； 步骤4： 把局部形状特征与点云的原始特征融合起来， 得到综合特征表示， 将 ModelNet40中经过特征融合的三维模型训练集作为训练数据， 将 ModelNet40中经过特征融 合的三维模型测试集作为测试 数据； 步骤5： 设计图卷积神经网络模型， 包括变换矩阵、 图卷积层、 池化层和MLP， 确定图卷积 神经网络模型的参数； 步骤6： 使用训练数据来优化图卷积神经网络和支持向量机SVM， 利用图卷积神经网络 从测试数据的综合特征表示中进一步提取特征， 再输入到支持向量机SVM中， 得到三 维模型 的分类结果。 2.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法， 其特征 在于， 所述 步骤1中， 对点云的数据进行 预处理， 具体步骤为： 步骤1‑1使用KNN寻找点云中每个点距离最近的三点， 构成一个平面， 计算该平面的法 向量作为 该点的法向量， 记当前点为 K， 使用KNN寻找到的最近两点记为P1以及P2， 则点K的法 向量的估计值 为 A、 B、 C由求 解以下方程组得到： 其中， f(P)＝Ax+By+C z+D， P＝(x， y， z)； 步骤1‑2读入点云格式的三维模型数据， 选择合适的采样点数Samples， 顺序采样， 同时 保留采样后的点的法向量的估计值， 点的坐标作为 点云的原 始特征。 3.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法， 其特征 在于， 所述 步骤2中， 拉普拉斯 算子的计算， 具体步骤为： 步骤2‑1对点云中的每个点使用KNN来获得邻居点的集合， 即当前点为P， 采集到的邻居 点集合为N＝{P1， ...， Pi， ...， Pk}， 其中Pi＝(xi， yi， zi)是空间中点的坐标； 步骤2‑2从集合N中计算每两点之间的欧式距离， 填入到邻接矩阵中， 欧氏距离的计算 方法如下 所示：权　利　要　求　书 1/4 页 2 CN 115546538 A 2其中， Pi＝(xi， yi， zi)， 关于邻接矩阵A上的元 素值， 计算方法如下 所示： 且在其中Ai， j＝Aj， i； 步骤2‑3得到邻接矩阵A后， 计算得到对应的拉普拉斯 算子L， 如下 所示： L＝D‑A 其中， D为度矩阵， Di， i表示图上第i个节点的度， 且Di， i＝∑jAi， j， 得到拉普拉斯算子L后， 再进行归一 化， 如下形式： 其中， In为单位矩阵。 4.根据权利要求1所述的一种基于点云与局部形状特征的三维模型分类方法， 其特征 在于， 所述 步骤3中， 对局部形状特 征的提取， 具体步骤为： 步骤3‑1 D1形状特征的提取， D1形状特征描述的是邻域空间内的质心与随机采样点之 间的距离， 质心点O的计算方法如下： 其中， Pi＝(xi， yi， zi)， 且Pi∈N， K为N中点的个数， 记N中随机取得的一点为Pr， Pr∈N， D1 的计算方法如下： 步骤3‑2 D2形状特征的提取， D2形状特征描述邻域空间内两个随机采样点之间的距 离， 记N中随机取 得的两点分别为Pri和Prj， 且Pri， Prj∈N， D2计算方法如下： 步骤3‑3 D3形状特征的提取， D3形状特征描述在邻域空间内由3  个随机采样点形成的 三角形面积的平方根， 记N中随机取得的三点分别为Pr1、 Pr2以及Pr3， 有Pr1， Pr2， Pr3∈N， D3的 计算方法如下： 其中， a＝dist(Pr1， Pr2)， b＝dist(Pr1， Pr3)， c＝dist(Pr2， Pr3)； 步骤3‑4D4形状特征的提取， D4形状特征描述在邻域空间内由4个随机采样点形成的四 面体体积的立方根， 记N中随机取得的4个点分别 为Pr1、 Pr2、 Pr3以及Pr4， 有Pr1， Pr2， Pr3， Pr4∈ N， D4的计算方法如下：权　利　要　求　书 2/4 页 3 CN 115546538 A 3