倾斜式投影作为前端和模型库分类作为后端的三维模型识别方法

罗文劼 张 涵 倪 鹏 田学东

(河北大学网络空间安全与计算机学院 河北 保定 071002)

0 引 言

三维模型的识别工作分为基于三维结构和视图两种。基于三维结构的方法是根据三维模型的点云、多边形网格和体积网格等方式进行计算，特征可以包括距离、角度、区域面积、体积结构、热扩散特征[1]等。基于视图的方法是根据三维模型投影的2D图像作为三维模型的特征描述符。

基于三维结构的方法有：3DShapeNet[2]将三维模型转化为30×30×30的体积网格并用深度信念网络进行特征提取，每一个1×1×1网格都代表三维模型的结构信息，对三维模型的原始数据进行了压缩，但运算量和复杂程度仍然很大，而且对数据有较大损失。为了提高运算效率，一种浅层三维卷积神经网络VoxNet[3]，在网络的前端后端结合语义分割方法和svm分类法的手工方法，运算速度和识别精度都有所提升。基于点云的三维模型数据具有结构复杂、不规则的特征，解决点云数据到卷积神经网络的规则映射是近几年的研究热点。文献[4]通过模拟卷积神经网络中卷积核的过程，采样局部三维点云数据到PointNet网络中，实现特征从局部到全局的学习，用T-Net实现局部特征映射到矩阵的规范化处理，使不规则点云数据能够映射到规则矩阵中。文献[5]通过规则化处理将三维点云数据映射到高维晶格结构中，并利用双边卷积进行特征提取，最后得到的稀疏特征用哈希索引进行高效识别。

基于视图的方法将计算量由三维下降到二维，可以更好地与卷积神经网络相结合，有效解决了基于三维结构方法中存在的问题。……