(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 202210348420.3 (22)申请日 2022.04.01 (71)申请人 浙大宁波理工学院 地址 315100 浙江省宁波市 鄞州区高教园 区钱湖南路1号 (72)发明人 舒振宇　易顺　杨思鹏　刘予琪　 隆威　金海容　辛士庆　吴双卿　 吴皓钰　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06V 10/46(2022.01) G06V 10/762(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 基于交替优化深度学习模型的三维模型兴 趣点提取方法 (57)摘要 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。 权利要求书3页 说明书14页 附图11页 CN 114863134 A 2022.08.05 CN 114863134 A 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， cn表示三维模型上距离顶点vi最近的兴趣点； d(cn,vi)表示三维模型顶点vi与兴 趣点cn的测地距离； Dmax表示d(cn,vi)的最大值； Dmin表示d(cn,vi)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vi到顶点vj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vj是距离所述顶点vi最近的一个权　利　要　求　书 1/3 页 2 CN 114863134 A 2密度值大于所述顶点vi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S5 3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， ri表示兴趣点选择区域的横轴； di表示兴趣点选择区域的纵轴； ρmin表示兴趣点中 最小的ρ 值； δmin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； δk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。 7.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S6具体包括： S61、 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， 将S5中所提取出来的兴趣点划分为三类： 预测正确的点、 由于遗漏而未提取的点、 以 及预测错 误而多余的点； S62、 对于所述由于遗漏而未提取的点、 以及预测错误而多余的点， 对这两类点为兴趣 点的标签值进行优化。 8.如权利要求7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S62中， 对所述由于遗漏而未提取的点为兴趣点的标签值进行优化， 所对应的 优化公式为： 其中， ρj表示顶点vj在S3中为兴趣点的标签值； 表示顶点vj经线性优化后的标签值； di,j表示遗漏而未提取的点pi与顶点vj之间的测地距离； dmin表示该类模型训练集中不同兴 趣点之间的最小测地距离； t、 a和b均表示线性提升参数； a表示线性修改的斜率； b表示截 距； t来控制修改的范围。 9.如权利要求7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S62中， 对所述预测错误而多余的点为兴趣点的标签值进行优化， 所对应的优 化公式为：权　利　要　求　书 2/3 页 3 CN 114863134 A 3