CN110119772B - 一种基于几何形状特征融合的三维模型分类方法 - Google Patents

Abstract

本发明涉及一种基于几何形状特征融合的三维模型分类方法。本发明对三维模型进行“三角面化”，计算其D1、D2、随机球型和SDF形状分布特征。将卷积神经网络作为降噪自编码器的编码器部分，其镜像结构作为解码器。将训练集中的D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器。将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的融合的全局特征。利用训练集中的三维模型的全局特征和类别标签，训练LightGBM分类器的权重。获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。本发明在三维模型分类方面实现了很好的效果，能很好地对三维模型进行分类预测。

Description

一种基于几何形状特征融合的三维模型分类方法

技术领域：

本发明涉及三维模型分类领域，尤其涉及一种基于几何形状特征融合的三维模型分类方法。

背景技术：

随着计算机软硬件技术发展，三维模型在动画、机械、医疗等领域的应用更加广泛。三维模型数量增长迅速，三维模型分类已成为一个重要的问题。在实际的产品研发过程中，完全重新设计的产品只占全部产品比例的1/5，其余产品采用在过去研发过程中积累下来的成熟产品案例进行小幅度改动来完成设计。设计人员参考相似设计，节约了重新查找资料和设计的时间，减轻了设计人员重新设计的工作量，可以集中精力开发新的部分。在检索三维模型之前，准确地对三维模型进行分类可以有效地提高检索效率。

发明内容：

为了解决三维模型分类问题，本发明公开了一种基于几何形状特征融合的三维模型分类方法。

为此，本发明提供了如下技术方案：

1.基于几何形状特征融合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：读取三维模型文件，将三维模型进行“三角面化”。

步骤2：随机在三维模型表面上，选取若干点并计算点与某一固定点之间的距离，获得点的距离集合。根据点的距离集合，设计统计区间。统计点的距离集合中元素在各个区间中的数量，以此作为三维模型的D1形状分布特征。

步骤3：随机在三维模型表面上，选取若干点对并计算每一点对的两点之间的距离，获得点对距离集合。根据点对距离集合，设计统计区间。统计点对距离集合中元素在各个区间中的数量，以此作为三维模型的D2形状分布特征。

步骤4：获取三维模型的随机球型形状分布特征。

步骤5：计算三维模型每个面的中心点的SDF值。根据所有SDF值，设计统计区间。统计所有的SDF值在各个区间中的数量，以此作为三维模型的SDF形状分布特征。

步骤6：将卷积神经网络作为降噪自编码器的编码器部分，其镜像结构作为解码器。将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器。同时，也完成卷积神经网络的训练。

步骤7：将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的融合的全局特征。利用三维模型的全局特征和类别标签，训练LightGBM分类器的权重。

步骤8：获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。

2.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤1的具体步骤为：

步骤1-1利用文件解析工具对三维模型文件进行解析读取。

步骤1-2利用三角面化工具将模型数据三角面化，并用统一的数据结构保存。

3.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤2中，获取三维模型的D1形状分布特征，具体步骤为：

步骤2-1根据取点公式，随机在三维模型表面选取若干点。

步骤2-2计算选取出来的点与某一固定点之间的欧式距离，构成点的距离集合。

步骤2-3确定统计区间的数量。同时，根据点的距离集合中元素的最大值和最小值，确定区间长度和每一个统计区间的范围。

步骤2-4统计在各个区间的点的距离集合中元素数量，将这些数量按照一定顺序排列，以此作为三维模型的D1形状分布特征。

4.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤3中，获取三维模型的D2形状分布特征，具体步骤为：

步骤3-1根据取点公式，随机在三维模型表面选取若干点对。

步骤3-2计算每一点对的两点之间的欧式距离，构成点对距离集合。

步骤3-3确定统计区间的数量。同时，根据点对距离集合中元素的最大值和最小值，确定区间长度和每一个统计区间的范围。

步骤3-4统计在各个区间中的点对距离集合中的元素数量，将这些数量按照一定顺序排列，以此作为三维模型的D2形状分布特征。

5.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤4中，获取三维模型的随机球型形状分布特征，具体步骤为：

步骤4-1用一个球面围住三维模型。

步骤4-2随机地在球内生成一个较小的球型区域。

步骤4-3计算球型区域内的D2函数值的平均数，以此作为一次随机球型函数的计算。

步骤4-4重复步骤4-2到步骤4-3若干次，获得随机球型函数值的集合。

步骤4-5确定统计区间的数量。同时，根据随机球型函数值的集合中元素的最大值和最小值，确定区间长度和每一个统计区间的范围。

步骤4-6统计在各个区间中的随机球型函数值的集合中元素数量，将这些数量按照一定顺序排列，以此作为三维模型的随机球型形状分布特征。

6.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤5中，获取三维模型的SDF形状分布特征，具体步骤为：

步骤5-1计算出所有面的中心点的SDF值。

步骤5-2确定统计区间的数量。同时，根据所有SDF值的最大值和最小值，确定区间长度和每一个统计区间的范围。

步骤5-3统计在各个区间中SDF值的个数，将这些数量按照一定顺序排列，以此作为三维模型的SDF形状分布特征。

7.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，在所述步骤6中，卷积神经网络的训练，具体步骤为：

步骤6-1将D1、D2、随机球型和SDF形状分布特征输入到降噪自编码器中。

步骤6-2经过降噪自编码器的编码器(卷积神经网络)部分获得融合的特征。

步骤6-3经过降噪自编码器的解码器部分获得输出特征。

步骤6-4利用输入特征和输出特征计算误差，根据误差更新神经网络的参数。

步骤6-5利用训练集中的形状分布特征，重复步骤6-1到步骤6-4若干次，完成对卷积神经网络(降噪自编码器编码器部分)的训练。

8.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，在所述步骤7中，LightGBM分类器的训练，具体步骤为：

步骤7-1将训练集中的所有三维模型的D1、D2、随机球型和SDF形状分布特征输入到步骤6中的卷积神经网络中，经过处理获得训练集中所有三维模型的全局特征。

步骤7-2利用训练集中所有三维模型的全局特征和类别标签，训练 LightGBM分类器。

9.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，在所述步骤8中，三维模型的分类，具体步骤为：

步骤8-1按照步骤1到步骤5的过程，计算三维模型的D1、D2、随机球型和SDF形状分布特征。

步骤8-2将三维模型的D1、D2、随机球型和SDF形状分布特征输入到步骤 6中的卷积神经网络中，经过处理获得对应的全局特征。

步骤8-3把三维模型的全局特征输入到LightGBM分类器，获得三维模型的分类结果。

有益效果：

1.本发明是一种基于几何形状特征融合的三维模型分类方法。

2.三维模型的特征由D1、D2、随机球型和SDF形状分布特征融合得到。 D1、D2形状分布特征可以很好地描述三维模型的整体特点。随机球型、SDF形状分布特征可以很好地描述三维模型的局部特点。同时，D1、D2、随机球型和 SDF形状分布特征都具有良好的旋转鲁棒性。

3.使用卷积神经网络融合D1、D2、随机球型和SDF形状分布特征，把4种特征中的有效特征提取出来，融合成全局特征。另外，卷积神经网络模型的最大的特点是局部感知和参数共享，能够很好地处理高维数据，无需手动选取数据特征。经过卷积和池化两大操作，能够提取更完整的消歧特征，减少数据量和参数量，防止出现过拟合。

4.LightGBM针对Xgboost的缺点进行了相应的改进，其性能有所提升。 LightGBM利用了GOSS作为采样算法。

附图说明：

图1为本发明实施方式中的基于几何形状特征融合的三维模型分类的流程图。

图2为本发明实施方式中的三维模型。

图3为本发明实施方式中的三维模型的D1形状分布直方图。

图4为本发明实施方式中的三维模型的D2形状分布直方图。

图5为本发明实施方式中的三维模型的随机球型形状分布直方图。

图6为本发明实施方式中的三维模型的SDF形状分布直方图。

图7为本发明实施方式中的卷积神经网络处理D1、D2、随机球型和SDF 形状分布特征的流程。

具体实施方式：

以下结合附图和具体实施例，对本发明的具体实施方式作进一步地详细说明。

本发明实施例的基于几何形状特征融合的三维模型分类的流程，如图1所示。同时，用图2中的三维模型进行说明，统计区间的数量均为64。本发明包括以下步骤。

步骤1：读取三维模型文件，将三维模型进行“三角面化”。

步骤1-1利用文件解析工具对三维模型文件进行解析读取。

步骤1-2利用三角面化工具将模型数据三角面化，并用统一的数据结构保存。

利用文件解析工具和三角面化工具对三维模型进行解析读取、三角面化和统一形式存储，使用链表数据结构存储模型顶点坐标信息。使用邻接表数据结构表示三维模型顶点之间的邻接关系、面之间的邻接关系和面的顶点序号。

步骤2：随机在三维模型表面上，选取若干点并计算点与某一固定点之间的距离，获得点的距离集合。根据点的距离集合，设计统计区间。统计点的距离集合中元素在各个区间中的数量。将点的距离集合中的元素在各个区间的分布情况作为三维模型的D1形状分布特征。

步骤2-1根据取点公式，随机在三维模型表面选取若干个点。取点公式如下：

通过改变r₁和r₂的值，利用上式获取顶点为A、B、C的三角面片上的任意一点的坐标P。

步骤2-2计算选取点与某一固定点之间的欧式距离，构成点的距离集合。

步骤2-3确定统计区间的数量bnum。同时，根据点的距离集合中的最大值 emax和最小值emin，确定区间长度bsize和每一个统计区间的范围。确定区间长度的计算方式如下：

对于图2中的三维模型，点的距离集合中的最大值为0.69331，最小值为 0.05487，那么区间长度为(0.69331-0.05487)/64≈0.009976。第i个统计区间为： [0.05487+(i-1)*0.009976,0.05487+i*0.009976]，其中，i＝1,2,…,64。

步骤2-4统计在各个区间的点的距离集合中元素数量，将这些数量按照一定顺序排列，以此作为三维模型的D1形状分布特征。

对于图2中的三维模型，其D1形状分布特征为[6,19,43,28,38,46,146,155, 961,5144,403,1330,2508,498,287,415,422,4838,430,262,267,389,4749,482, 572,1054,5409,5341,486,230,245,202,302,338,295,205,159,168,210,263, 371,251,202,307,261,233,236,149,168,188,268,229,112,138,185,147,172, 44,29,19,8,6,7,7]，直方图如图3所示。

步骤3：随机在三维模型表面上，选取若干点对并计算每一点对的两点之间的距离，获得点对距离集合。根据点对距离集合，设计统计区间。统计点对距离集合中元素在各个区间中的数量。将点对距离集合中的元素在各个区间中的分布情况作为三维模型的D2形状分布特征。

步骤3-1根据取点公式，随机在三维模型表面选取若干点对，计算方法如步骤2-1。

步骤3-2计算每一点对的两点之间的欧式距离，构成点对距离集合。

步骤3-3确定统计区间的数量。同时，根据点对距离集合中元素的最大值和最小值，确定区间长度和每一个统计区间的范围。

对于图2中的三维模型，点对距离集合中的最大值为1.01351，最小值为 0.00005，那么区间长度为(1.01351-0.00005)/64≈0.015835。第i个统计区间为： [0.00005+(i-1)*0.015835,0.00005+i*0.0158365]，其中，i＝1,2,…,64。

步骤3-4统计在各个区间中的点对距离集合中元素数量，将这些数量按照一定顺序排列，以此作为三维模型的D2形状分布特征。

对于图2中的三维模型，其D2形状分布特征为[588,131,148,108,66,380, 130,91,73,61,102,76,87,128,373,153,350,140,150,170,178,157,156,198, 676,250,650,495,407,607,470,174,124,326,178,131,140,118,92,80,75,65, 64,58,44,51,51,52,62,74,42,36,44,29,34,29,27,16,12,8,7,1,4,3]，直方图如图4所示。

步骤4：获取三维模型的随机球型形状分布特征。

步骤4-1用一个半径为R的球面围住三维模型，R的取值是距离中心点距离最远的点到中心点的距离。

步骤4-2随机地在球内生成一个半径为r的球型区域，r＝R/h，h为权重。

步骤4-3计算球型区域内的D2函数值的平均数，以此作为一次随机球型函数的计算。

步骤4-4重复步骤4-2到步骤4-3若干次，获得随机球型函数值的集合。

步骤4-5确定统计区间的数量。同时，根据随机球型函数值的集合中元素的最大值和最小值，确定区间长度和每一个统计区间的范围。

对于图2中的三维模型，随机球型函数值的集合中最大值为0.17800，最小值为0，那么区间长度为(0.17800-0)/64≈0.002781。第i个统计区间为：[(i-1)* 0.002781,i*0.002781]，其中，i＝1,2,…,64。

步骤4-6统计在各个区间的随机球型函数值的集合中元素数量。将函数值的集合中在各个区间的分布情况作为三维模型的随机球型形状分布特征。

图2中的三维模型的随机球型形状分布特征为[704,1,0,1,1,1,4,2,2,4,4,0, 2,5,6,4,5,5,3,6,2,6,6,11,2,10,6,6,3,9,7,9,3,9,6,3,8,14,9,3,4,4,9,8,8, 5,5,5,7,3,7,8,7,6,2,4,4,0,3,1,2,2,2,2]，直方图如图5所示，其中，R是三维模型表面上的离模型中心点最远的点到中心点的距离，h＝5，重复步骤4-2到步骤4-3共1000次。

步骤5：计算三维模型每个面的中心点的SDF值。根据所有SDF值，设计统计区间。统计所有的SDF值在各个区间中的数量。将所有的SDF值在各个区间的分布情况作为三维模型的SDF形状分布特征。

步骤5-1计算所有面的中心点的SDF值，计算方法如下：

计算面的中心点。从中心点沿规定范围内的方向，向模型内部发出一定数量的射线。计算每条射线在三维模型内部的部分的长度。计算所有长度的加权平均值就是中心点的SDF值。

步骤5-2确定统计区间的数量。同时，根据所有SDF值的最大值和最小值，确定区间长度和每一个统计区间的范围。

对于图2中的三维模型，SDF值的集合中的最大值为0.21709，最小值为0，那么区间长度为(0.21709-0)/64≈0.003392。第i个统计区间为：[(i-1)*0.003392, +i*0.003392]，其中，i＝1,2,…,64。

步骤5-3统计在各个区间的SDF值的集合中元素数量，将这些数量按照一定顺序排列，以此作为三维模型的SDF形状分布特征。

图2中的三维模型的SDF形状分布特征为[136,239,39,194,396,169,36,60, 79,75,76,61,59,46,46,58,47,54,57,67,43,56,69,54,67,95,113,157,270, 348,467,2893,5642,953,1162,1870,882,5271,735,3292,1718,574,4442,640, 649,3838,727,130,112,108,67,96,86,46,50,68,83,40,25,25,25,28,7,8]，直方图如图6所示。

步骤6：将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器，同时也完成卷积神经网络的训练。本专利的卷积神经网络处理D1、D2、随机球型和SDF形状分布特征的流程如图7所示。降噪自编码器的编码器部分是用于融合4种形状分布特征的卷积神经网络。降噪自编码器的解码器部分是编码器的镜像结构。解码器部分将特征维数升至原来的维数，因此，将池化层换成与其作用相反的上采样层。

步骤6-1将D1、D2、随机球型和SDF形状分布特征拼接在一起，然后输入到降噪自编码器中。

步骤6-2经过降噪自编码器的编码器(卷积神经网络)部分获得融合的全局特征。

步骤6-3经过降噪自编码器的解码器部分获得输出特征。

步骤6-4利用降噪自编码器正确的输出特征(由D1、D2、随机球型和SDF 形状分布特征拼接而成)和输出特征计算损失。根据损失更新神经网络的各个网络层的权重。损失函数Loss如下：

其中，X＝[x₁,...,x_i,...,x_n],X'＝[x’₁,...,x’_i,...,x’_n]。X是降噪自编码器的正确输出特征，X'是降噪自编码器的实际输出特征，X和X'有相同的维度n。

步骤6-5利用训练集中的形状分布特征，重复步骤6-1到步骤6-4若干次，直到损失的变化很小时为止(阈值的选择需要在实践中视情况而定)。这样就完成对卷积神经网络(降噪自编码器编码器部分)的训练。

步骤7：将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的全局特征。利用训练集中所有三维模型的全局特征和类别标签，训练LightGBM分类器，并记录优化参数。

步骤7-1将训练集中所有三维模型的D1、D2、随机球型和SDF形状分布特征输入到步骤6中的卷积神经网络中，经过处理获得训练集中所有三维模型的全局特征。

步骤7-2利用训练集中所有三维模型的全局特征和类别标签，训练LightGBM分类器，记录优化参数。

对三维模型类别标签进行编号。图2的模型所在的PSB三维模型库共有7类，分别为：vehicle、animal、household、building、furniture、plant和-1。编号后的映射关系为{vehicle:0,animal:1,household:2,building:3,furniture:4,plant:5,-1: 6}。

LightGBM分类的计算方法如下：

S＝{f(x)＝w_q(x)}q:R^m-＞T,w∈R^T

这里K是基分类器的个数，m是特征的维数，q表示将特征映射到相应的叶索引的棵结构，T是树中叶子的数量，f对应于独立的树映射q和叶子权w。

LightGBM的目标函数L(Φ)如下：

训练的目的就是使目标函数L(Φ)最小化。其中Ω(f)的作用是防止训练过拟合。

步骤8：计算三维模型的D1、D2、随机球型和SDF形状分布特征，利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。

步骤8-1按照步骤1到步骤5，计算三维模型的D1、D2、随机球型和SDF 形状分布特征。

步骤8-2将三维模型的D1、D2、随机球型和SDF形状分布特征输入到步骤 6中的卷积神经网络中，经过处理获得全局特征。

经过计算，图2中的三维模型的全局特征X”为[435.28666,4741.73024,163.97382,238.80598,217.90603,152.07661,264.0105,146.31673,50.52054, 19.0226,8.64808,57.17,172.31969,590.99311,59.29312,35.86652,22.04692, 0.59827,7.9633,5.98366,8.50021,7.587,1.48144,0.0,7.36383,2.60987,74.66928, 72.1142,743.37947,650.0173,93.3377,48.27733]。

步骤8-3LightGBM分类器使用步骤7-2记录的参数。把三维模型的全局特征 X”输入到LightGBM分类器，获得三维模型的分类结果。例如，基分类器为CART 树，基分类器的数量为16，则计算图2的三维模型的类别的方法如下：

编号3对应的是building类型，所以图2的三维模型的类别是building类。

本发明实施方式中的基于几何形状特征融合的三维模型分类，采用D1、D2、随机球型和SDF形状分布特征，考虑了三维模型的整体和局部特点来对三维模型进行分类。采用卷积神经网络提取D1、D2、随机球型和SDF形状分布特征中的有效特征。采用LightGBM可以很好地对三维模型进行分类。

以上所述是结合附图对本发明的实施例进行的详细介绍，以上的具体实施方式只是用于帮助理解本发明的方法。对于本技术领域的普通技术人员，依据本发明的思想，在具体实施方式及应用范围内均可有所变更和修改，故本发明书不应理解为对本发明的限制。

Claims (9)

1.基于几何形状特征融合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：读取三维模型文件，将三维模型进行“三角面化”；

步骤2：随机在三维模型表面上，选取若干点并计算点与某一固定点之间的距离，获得点的距离集合，根据点的距离集合，设计统计区间，统计点的距离集合中元素在各个区间中的数量，以此作为三维模型的D1形状分布特征；

步骤3：随机在三维模型表面上，选取若干点对并计算每一点对的两点之间的距离，获得点对距离集合，根据点对距离集合，设计统计区间，统计点对距离集合中元素在各个区间中的数量，以此作为三维模型的D2形状分布特征；

步骤4：获取三维模型的随机球型形状分布特征；

步骤5：计算三维模型每个面的中心点的SDF值，根据所有SDF值，设计统计区间，统计所有的SDF值在各个区间中的数量，以此作为三维模型的SDF形状分布特征；

步骤6：将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器，同时，也完成卷积神经网络的训练；

步骤7：获取三维模型的融合的全局特征，利用三维模型的全局特征和类别标签，训练LightGBM分类器的权重；

步骤8：获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。

2.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤1的具体步骤为：

步骤1-1利用文件解析工具对三维模型文件进行解析读取；

步骤1-2利用三角面化工具将模型数据三角面化，并用统一的数据结构保存。

3.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤2中，获取三维模型的D1形状分布特征，具体步骤为：

步骤2-1根据取点公式，随机在三维模型表面选取若干点；

步骤2-2计算选取出来的点与某一固定点之间的欧式距离，构成点的距离集合；

步骤2-3确定统计区间的数量，同时，根据点的距离集合中元素的最大值和最小值，确定区间长度和每一个统计区间的范围；

步骤2-4统计在各个区间的点的距离集合中元素数量，将这些数量按照一定顺序排列，以此作为三维模型的D1形状分布特征。

4.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤3中，获取三维模型的D2形状分布特征，具体步骤为：

步骤3-1根据取点公式，随机在三维模型表面选取若干点对；

步骤3-2计算每一点对的两点之间的欧式距离，构成点对距离集合；

步骤3-3确定统计区间的数量，同时，根据点对距离集合中元素的最大值和最小值，确定区间长度和每一个统计区间的范围；

步骤3-4统计在各个区间中的点对距离集合中的元素数量，将这些数量按照一定顺序排列，以此作为三维模型的D2形状分布特征。

5.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤4中，获取三维模型的随机球型形状分布特征，具体步骤为：

步骤4-1用一个球面围住三维模型；

步骤4-2随机地在球内生成一个较小的球型区域；

步骤4-3计算球型区域内的D2函数值的平均数，以此作为一次随机球型函数的计算；

步骤4-4重复步骤4-2到步骤4-3若干次，获得随机球型函数值的集合；

步骤4-5确定统计区间的数量，同时，根据随机球型函数值的集合中元素的最大值和最小值，确定区间长度和每一个统计区间的范围；

步骤4-6统计在各个区间中的随机球型函数值的集合中元素数量，将这些数量按照一定顺序排列，以此作为三维模型的随机球型形状分布特征。

6.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，所述步骤5中，获取三维模型的SDF形状分布特征，具体步骤为：

步骤5-1计算出所有面的中心点的SDF值；

步骤5-2确定统计区间的数量，同时，根据所有SDF值的最大值和最小值，确定区间长度和每一个统计区间的范围；

步骤5-3统计在各个区间中SDF值的个数，将这些数量按照一定顺序排列，以此作为三维模型的SDF形状分布特征。

7.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，在所述步骤6中，卷积神经网络的训练，具体步骤为：

步骤6-1将D1、D2、随机球型和SDF形状分布特征输入到降噪自编码器中；

步骤6-2经过降噪自编码器的编码器部分即卷积神经网络 获得融合的特征；

步骤6-3经过降噪自编码器的解码器部分获得输出特征；

步骤6-4利用输入特征和输出特征计算误差，根据误差更新神经网络的参数；

步骤6-5利用训练集中的形状分布特征，重复步骤6-1到步骤6-4若干次，完成对卷积神经网络即 降噪自编码器编码器部分的训练。

8.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，在所述步骤7中，LightGBM分类器的训练，具体步骤为：

步骤7-1将训练集中的所有三维模型的D1、D2、随机球型和SDF形状分布特征输入到步骤6中的卷积神经网络中，经过处理获得训练集中所有三维模型的全局特征；

步骤7-2利用训练集中所有三维模型的全局特征和类别标签，训练LightGBM分类器。

9.根据权利要求1所述的基于几何形状特征融合的三维模型分类方法，其特征在于，在所述步骤8中，三维模型的分类，具体步骤为：

步骤8-1按照步骤1到步骤5的过程，计算三维模型的D1、D2、随机球型和SDF形状分布特征；

步骤8-2将三维模型的D1、D2、随机球型和SDF形状分布特征输入到步骤6中的卷积神经网络中，经过处理获得对应的全局特征；

步骤8-3把三维模型的全局特征输入到LightGBM分类器，获得三维模型的分类结果。

Images