CN111898654A - 三维对象特征获取方法、装置、计算机设备和存储介质 - Google Patents
三维对象特征获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111898654A CN111898654A CN202010674249.6A CN202010674249A CN111898654A CN 111898654 A CN111898654 A CN 111898654A CN 202010674249 A CN202010674249 A CN 202010674249A CN 111898654 A CN111898654 A CN 111898654A
- Authority
- CN
- China
- Prior art keywords
- vertex
- vertexes
- vertices
- nearest neighbor
- mesh information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012217 deletion Methods 0.000 claims abstract description 34
- 230000037430 deletion Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Abstract
本申请涉及一种三维对象特征获取方法、装置、计算机设备和存储介质。所述方法包括:获取待分类的三维对象的目标网格信息;提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;以每个所述顶点为卷积中心,以对应所述顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个所述顶点对应的更新特征和重要性得分;根据所述重要性得分对所述顶点进行删除处理;获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新。采用本方法能够减少算力资源占用且提高准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种三维对象特征获取方法、装置、计算机设备和存储介质。
背景技术
在一些3D目标分类任务中,输入的数据是物体的模型文件,即目标由mesh格式表达,包含顶点以及三角面等信息。对于这些模型文件,一般使用基于深度学习的方法提取特征进而用于后续分类等任务。具体地,提取特征的方法可以分为三类:基于体素的、基于点云的以及基于多视角2D投影的。基于体素的方法需要首先将目标模型所在空间划分为均匀的格子,然后通过3D卷积操作进行特征提取。基于点云的方法则首先通过在模型表面采样的方式获得点云数据,进而使用Pointnet等方法对其提取特征。而在基于多视角2D投影的方法中,则首先获取模型在不同角度的2D平面上的投影图像,然后使用卷积神经网络分别对这些2D图像提取特征并融合后给出最终特征。
然而,基于体素的方法限于硬件计算能力只能使用粗粒度的体素划分方式,因此会损失掉很多细节信息。基于点云的方法由于受到采样方式限制,也会丢失很多关键点导致后续分类性能降低。而基于多视角2D投影的方法虽然可以取得当前最好的性能,但由于针对每一个目标模型都需要对多张投影2D图片进行特征提取及融合等操作,需要使用很多算力资源。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少算力资源占用且提高准确性的三维对象特征获取方法、装置、计算机设备和存储介质。
一种三维对象特征获取方法,所述方法包括:
获取待分类的三维对象的目标网格信息;
提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;
以每个所述顶点为卷积中心,以对应所述顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个所述顶点对应的更新特征和重要性得分;
根据所述重要性得分对所述顶点进行删除处理;
获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新。
在其中一个实施例中,所述提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点,包括:
提取所述目标网格信息中的每个顶点的所有邻接顶点;
根据K近邻算法提取所述目标网格信息中的每个顶点的对应的最近邻顶点。
在其中一个实施例中,所述根据K近邻算法提取所述目标网格信息中的每个顶点的对应的最近邻顶点,包括:
获取根据不同卷积感受野所设定的K值;
根据所述K值,并通过K近邻算法提取所述目标网格信息中的每个顶点的对应的最近邻顶点。
在其中一个实施例中,所述卷积操作对应的卷积核参数的计算方式包括:
计算每个所述卷积中心与对应的所述被卷积对象之间的空间坐标差值;
将所述空间坐标差值输入至多层感知器网络计算得到卷积核参数。
在其中一个实施例中,所述根据所述重要性得分对所述顶点进行删除处理,包括:
获取预先设置的下采样操作参数;
根据所述重要性得分对所述顶点进行排序;
从排序后的所述顶点中提取与所述下采样操作参数对应数量的顶点,并删除未提取的顶点。
在其中一个实施例中,所述获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新,包括:
获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征,并通过三角边塌缩法以所述重要性得分为塌缩代价对所述目标网格信息进行更新。
在其中一个实施例中,所述获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新之后,还包括:
判断是否满足预设停止条件;
当不满足预设停止条件时,则获取更新后的目标网格信息作为新的目标网格信息,并继续提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;
当满足预设停止条件时,则输出更新后的目标网格信息。
一种三维对象分类方法,所述分类方法包括:
根据上述任一实施例所述的三维对象特征获取待分类的三维对象对应的更新后的目标网格信息;
根据更新后的目标网格信息对所述待分类的三维对象进行分类。
一种三维对象特征获取装置,所述装置包括:
待处理信息获取模块,用于获取待分类的三维对象的目标网格信息;
顶点提取模块,用于提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;
卷积操作模块,用于以每个所述顶点为卷积中心,以对应所述顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个所述顶点对应的更新特征和重要性得分;
删除模块,用于根据所述重要性得分对所述顶点进行删除处理;
更新模块,用于获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述三维对象特征获取方法、装置、计算机设备和存储介质,计算更新特征是根据目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点进行的,即利用了目标网格信息所带来的细颗粒度结构信息,提高准确性,为后续3D目标分类的性能提高奠定基础。且仅需要以每个顶点为卷积中心,以对应顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,即可以得到每个顶点对应的更新特征和重要性得分,不需要占用大量的算力资源。
附图说明
图1为一个实施例中三维对象特征获取方法的流程示意图;
图2为一个实施例中的多层感知器网络的结构示意图;
图3为一个实施例中的三维对象分类方法的流程示意图;
图4为一个实施例中三维对象特征获取装置的结构框图;
图5为一个实施例中三维对象分类装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种三维对象特征获取方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S102:获取待分类的三维对象的目标网格信息。
具体地,网格信息是指以mesh格式表达的物体的模型文件,网格是由一组凸多边形顶点以及凸多边形表面组成的,也叫做非结构化网格。多边形网格是希望通过一种易于渲染的方式来表示三维物体模型,在三维可视化等方面有很大的作用。服务器可以根据需要获取到数据库中存储的待分类的三维对象的目标网格信息,并采用基于mesh与K近邻顶点混合的特征提取方法提取到三维对象对应的特征,从而后续服务器可以根据所提取到的特征进行3D分类任务。
S104:提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点。
其中邻接顶点是指与顶点通过边相直接连接的顶点。最近邻顶点是指距离顶点最近的K个点,其中该最近邻顶点可以是获取到与其他顶点与顶点的距离,然后对该距离进行排序,进而服务器根据预设的K值选取排序靠前,即与顶点距离近的顶点作为最近邻顶点。
在实际操作中,服务器可以遍历目标网格信息中所有的顶点,即遍历的顶点作为当前顶点,然后可以分线程处理,即一个线程查询与当前顶点对应的邻接顶点,另外一个线程则查询与当前顶点对应的最近邻顶点,从而提高效率。
且可选地,服务器可以将所提取到的邻接顶点和最近邻顶点保存到一个集合中,例如集合A中,即每个顶点对应一个集合A,其中存储了该顶点对应的邻接顶点和最近邻顶点。且可选地,该集合A可以采用表格中的条目的方式存储邻接顶点和最近邻顶点,即一个表格中的一个条目存储一个顶点对应的邻接顶点和最近邻顶点。
S106:以每个顶点为卷积中心,以对应顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个顶点对应的更新特征和重要性得分。
具体地,被卷积对象即所有邻接顶点和最近邻顶点,其组成了卷积感受野,也就是网格中的局部网格信息,卷积中心是相对于卷积核来说的,以该每个顶点为卷积中心,并根据步长圈定多个卷积核区域,从而服务器将所圈定的卷积核区域依次与所有邻接顶点和最近邻顶点进行卷积操作得到每个顶点对应的更新特征和重要性得分。其中卷积核参数由卷积中心与对应的被卷积对象的空间坐标差值通过多层感知器网络(MLP)计算得到。
S108:根据重要性得分对顶点进行删除处理。
具体地,删除处理是指根据重要性得分删除得分低的顶点,从而留下得分高的顶点,也就是说留下表征细节信息多的顶点。例如服务器可以根据预先设置的参数,保留其中重要性得分高的前N%个,而删除剩余的。
S110:获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新。
具体地,服务器根据删除处理剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新,即将剩下的顶点作为更新后的目标网格中的顶点,更新特征作为各个顶点的特征。
上述三维对象特征获取方法,计算更新特征是根据目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点进行的,即利用了目标网格信息所带来的细颗粒度结构信息,提高准确性,为后续3D目标分类的性能提高奠定基础。且仅需要以每个顶点为卷积中心,以对应顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,即可以得到每个顶点对应的更新特征和重要性得分,不需要占用大量的算力资源。
在其中一个实施例中,提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点,包括:提取目标网格信息中的每个顶点的所有邻接顶点;根据K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点。
具体地,对于给定的待分类目标模型的目标网格信息M=(V,T),其中V是所有顶点的集合,而T是所有三角面的集合,每一个三角面ti∈T包含三个顶点。
对于每一个顶点vi∈V,服务器通过遍历所有三角面T按照mesh结构找到所有与其邻接的其他顶点集合Vmesh。此外服务器按照空间欧式距离在3D空间中找到该顶点vi的K个最邻近的顶点集合Vdis。最后服务器合并这两个顶点集合得到Vjoint=Vmesh∪Vdis,并将每一对(vi,Vjoint)做为一个条目保存到表A中。
其中可选地,对于邻接顶点和最近邻顶点的查找可以采用并行处理的方式以提高处理效率。
上述实施例中,通过K近邻算法来提取网格信息中的最近邻顶点,并提取邻接顶点,可以充分利用了模型mesh所带来的细粒度结构信息,有助于提高后续分类任务性能的同时需要相对较少的计算资源。
在其中一个实施例中,根据K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点,包括:获取根据不同卷积感受野所设定的K值;根据K值,并通过K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点。
具体地,此处的K值是可以预先人为设置的,其与项目难度、所属领域以及人员的经验有关,K越大,则所选的最邻近顶点越多,也就是说卷积感受野越大。也就是说在项目开始前,服务器可以输出提示信息,以便于使用者输入至所设置的K值,从而服务器根据K值,并通过K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点,即选择K个与当前顶点距离最近的顶点。从而服务器可以根据所选择的顶点按照上述实施例进行计算得到最终输出特征,根据计算结果,即所得到的最终输出特征的准确性以及资源占用情况等进行调试,直至选择到合适的K值。
上述实施例中K值可以根据需要进行设置,提高了三维对象特征获取方法的应用范围。
在其中一个实施例中,具体地,参见图2所示,图2为一个实施例中的多层感知器网络的结构示意图,在该实施例中通过多层感知器网络计算得到卷积核参数,具体地,该卷积操作对应的卷积核参数的计算方式包括:计算每个卷积中心与对应的被卷积对象之间的空间坐标差值;将空间坐标差值输入至多层感知器网络计算得到卷积核参数。
具体地,卷积核参数即从卷积中心到每一个被卷积的顶点包含一个卷积核参数,该卷积核参数是由卷积中心及被卷积对象的空间坐标差值通过多层感知器网络(MLP)计算得到。例如,假定pc、pv分别为某一卷积中心、被卷积对象的空间坐标,则该卷积中心与该被卷积对象间的卷积核参数f=MLP(pv–pc)。如图2中输入为相对坐标,输出为对应通道的卷积核参数。
这样服务器以表A中每一个条目中的顶点vi为卷积中心,以与vi对应的Vjoint中的顶点为被卷积对象做卷积操作得到这些顶点新的特征以及该卷积中心的重要性得分。
上述实施例中,卷积核参数是由卷积中心及被卷积对象的空间坐标差值通过多层感知器网络(MLP)计算得到,较为简单。
在其中一个实施例中,根据重要性得分对顶点进行删除处理,包括:获取预先设置的下采样操作参数;根据重要性得分对顶点进行排序;从排序后的顶点中提取与下采样操作参数对应数量的顶点,并删除未提取的顶点。
具体地,下采样操作参数用于表征删除处理所要删除的顶点的数量,例如原始有B个顶点,若保留B/4个顶点,则需要下采样4倍,也就是说保留前25%的顶点。因此服务器可以设置通过设置下采样n倍,或者是保留前N%个顶点(四舍五入取整数)来作为下采样操作参数。
服务器根据重要性得分对顶点进行排序,然后根据下采样操作参数提取与下采样操作参数对应数量的顶点,并删除未提取的顶点,例如下采样操作参数为保留前N%个顶点,则提取排序后前N%个顶点,而删除其他的点。若是下采样操作参数为下采样n倍,则提取排序后前1/n%个点,并删除其他的点。
此外需要说明的是下采样操作参数是可以预先人为设置的,其与项目难度、所属领域以及人员的经验有关,其下采样操作参数不同,则下采样操作不同,从而输出的大小不同。
在其中一个实施例中,获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新,包括:获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征,并通过三角边塌缩法以重要性得分为塌缩代价对目标网格信息进行更新。具体地,对目标网格信息的更新可以是通过三角边塌缩法来进行的,其中塌缩代价由重要性得分来代替。
在其中一个实施例中,获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新之后,还包括:判断是否满足预设停止条件;当不满足预设停止条件时,则获取更新后的目标网格信息作为新的目标网格信息,并继续提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;当满足预设停止条件时,则输出更新后的目标网格信息。
具体地,预设停止条件可以是人为设定的,其与项目难度、所属领域以及人员的经验有关,比如该预设停止条件可以为重复固定次数后停止。
即服务器每对目标网格信息更新一次,则判断是否满足预设停止条件,例如判断是否达到预设次数,若是,则输出更新后的目标网格信息,包括删除处理后剩下的顶点以及剩下的顶点对应的更新特征。若否,则获取更新后的目标网格信息作为新的目标网格信息,并继续提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点,即进行下一次网格更新。
在其中一个实施例中,其中给出上述三维对象特征获取方法的一个完整的实施例,该三维对象特征获取方法可以包括:
对于给定的待分类目标模型M=(V,T),其中V是所有顶点的集合,而T是所有三角面的集合,每一个三角面ti∈T包含三个顶点。对于每一个顶点vi∈V,服务器首先按照mesh结构找到所有与其邻接的其他顶点集合Vmesh(通过遍历所有三角面T),然后服务器按照空间欧式距离找到它的K个最邻近的顶点集合Vdis。最后服务器合并这两个顶点集合得到Vjoint=Vmesh∪Vdis,并将每一对(vi,Vjoint)做为一个条目保存到表A中。
其次,服务器以表A中每一个条目中的顶点vi为卷积中心,以与vi对应的Vjoint中的顶点为被卷积对象做卷积操作得到这些顶点新的特征以及该卷积中心的重要性得分confidence。其中对卷积核参数(从卷积中心到每一个被卷积的顶点包含一个卷积核参数)由卷积中心及被卷积对象的空间坐标差值通过多层感知器网络(MLP)计算得到。例如,假定pc、pv分别为某一卷积中心、被卷积对象的空间坐标,则该卷积中心与该被卷积对象间的卷积核参数f=MLP(pv–pc)。
服务器按照上述计算出来的重要性得分confidence对所有卷积中心(顶点)进行排序,保留其中前N%(四舍五入取整数)个,并使用三角边塌缩法重构mesh结构(其中塌缩代价由重要性得分confidence代替)。
最后服务器按照需求重复执行上述步骤直至满足停止条件,得到最终输出特征。其中停止条件为人为设定,比如重复固定次数后停止。
上述三维对象特征获取方法,计算更新特征是根据目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点进行的,即利用了目标网格信息所带来的细颗粒度结构信息,提高准确性,为后续3D目标分类的性能提高奠定基础。且仅需要以每个顶点为卷积中心,以对应顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,即可以得到每个顶点对应的更新特征和重要性得分,不需要占用大量的算力资源。
在其中一个实施例中,参见图3,提供了一种三维对象分类方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S302:根据上述任一实施例所述的三维对象特征获取待分类的三维对象对应的更新后的目标网格信息。
具体地,该更新后的目标网格信息的具体获取方式可以参见上文,在此不再赘述。
S304:根据更新后的目标网格信息对所述待分类的三维对象进行分类。
具体地,在获取到更新后的目标网格信息后,服务器可以将更新后的目标网格信息中的更新特征输入至预设的分类模型中以对三维对象进行分类。
上述实施例中,充分利用了模型mesh所带来的细粒度结构信息,有助于提高分类任务性能的同时需要相对较少的计算资源。
应该理解的是,虽然图1和图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1图3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中,如图4所示,提供了一种三维对象特征获取装置,包括:待处理信息获取模块100、顶点提取模块200、卷积操作模块300、删除模块400和更新模块500,其中:
待处理信息获取模块100,用于获取待分类的三维对象的目标网格信息;
顶点提取模块200,用于提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;
卷积操作模块300,用于以每个顶点为卷积中心,以对应顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个顶点对应的更新特征和重要性得分;
删除模块400,用于根据重要性得分对顶点进行删除处理;
更新模块500,用于获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新。
在其中一个实施例中,上述顶点提取模块200包括:
邻接顶点提取单元,用于提取目标网格信息中的每个顶点的所有邻接顶点;
最近邻顶点提取单元,用于根据K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点。
在其中一个实施例中,上述最近邻顶点提取单元包括:
K值获取子单元,用于获取根据不同卷积感受野所设定的K值;
提取子单元,用于根据K值,并通过K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点。
在其中一个实施例中,上述三维对象特征获取装置还可以包括:
空间坐标差值计算模块,用于计算每个卷积中心与对应的被卷积对象之间的空间坐标差值;
卷积核参数计算模块,用于将空间坐标差值输入至多层感知器网络计算得到卷积核参数。
在其中一个实施例中,上述删除模块400包括:
参数获取单元,用于获取预先设置的下采样操作参数;
排序单元,用于根据重要性得分对顶点进行排序;
删除单元,用于从排序后的顶点中提取与下采样操作参数对应数量的顶点,并删除未提取的顶点。
在其中一个实施例中,上述更新模块500还用于获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征,并通过三角边塌缩法以重要性得分为塌缩代价对目标网格信息进行更新。
在其中一个实施例中,上述三维对象特征获取装置还可以包括:
判断模块,用于判断是否满足预设停止条件;
处理模块,用于当不满足预设停止条件时,则获取更新后的目标网格信息作为新的目标网格信息,并继续提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;当满足预设停止条件时,则当满足预设停止条件时,则输出更新后的目标网格信息。
关于三维对象特征获取装置的具体限定可以参见上文中对于三维对象特征获取方法的限定,在此不再赘述。上述三维对象特征获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中,如图5所示,提供了一种三维对象分类装置,包括:网格信息提取模块600和分类模块700,其中:
网格信息提取模块600,用于根据上述任一实施例所述的三维对象特征获取待分类的三维对象对应的更新后的目标网格信息;
分类模块700,用于根据更新后的目标网格信息对所述待分类的三维对象进行分类。
关于三维对象分类装置的具体限定可以参见上文中对于三维对象分类方法的限定,在此不再赘述。上述三维对象分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标网格信息、更新特征以及更新后的目标网格信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种三维对象特征获取方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待分类的三维对象的目标网格信息;提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;以每个顶点为卷积中心,以对应顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个顶点对应的更新特征和重要性得分;根据重要性得分对顶点进行删除处理;获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新。
在一个实施例中,处理器执行计算机程序时所涉及的提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点,包括:提取目标网格信息中的每个顶点的所有邻接顶点;根据K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点。
在一个实施例中,处理器执行计算机程序时所涉及的根据K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点,包括:获取根据不同卷积感受野所设定的K值;根据K值,并通过K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点。
在一个实施例中,处理器执行计算机程序时所涉及的卷积操作对应的卷积核参数的计算方式包括:计算每个卷积中心与对应的被卷积对象之间的空间坐标差值;将空间坐标差值输入至多层感知器网络计算得到卷积核参数。
在一个实施例中,处理器执行计算机程序时所涉及的根据重要性得分对顶点进行删除处理,包括:获取预先设置的下采样操作参数;根据重要性得分对顶点进行排序;从排序后的顶点中提取与下采样操作参数对应数量的顶点,并删除未提取的顶点。
在一个实施例中,处理器执行计算机程序时所涉及的获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新,包括:获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征,并通过三角边塌缩法以重要性得分为塌缩代价对目标网格信息进行更新。
在一个实施例中,处理器执行计算机程序时所涉及的获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新之后,还包括:判断是否满足预设停止条件;当不满足预设停止条件时,则获取更新后的目标网格信息作为新的目标网格信息,并继续提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;当满足预设停止条件时,则输出更新后的目标网格信息。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:根据上述任一实施例所述的三维对象特征获取待分类的三维对象对应的更新后的目标网格信息;根据更新后的目标网格信息对所述待分类的三维对象进行分类。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待分类的三维对象的目标网格信息;提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;以每个顶点为卷积中心,以对应顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个顶点对应的更新特征和重要性得分;根据重要性得分对顶点进行删除处理;获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新。
在一个实施例中,计算机程序被处理器执行时所涉及的提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点,包括:提取目标网格信息中的每个顶点的所有邻接顶点;根据K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点。
在一个实施例中,计算机程序被处理器执行时所涉及的根据K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点,包括:获取根据不同卷积感受野所设定的K值;根据K值,并通过K近邻算法提取目标网格信息中的每个顶点的对应的最近邻顶点。
在一个实施例中,计算机程序被处理器执行时所涉及的卷积操作对应的卷积核参数的计算方式包括:计算每个卷积中心与对应的被卷积对象之间的空间坐标差值;将空间坐标差值输入至多层感知器网络计算得到卷积核参数。
在一个实施例中,计算机程序被处理器执行时所涉及的根据重要性得分对顶点进行删除处理,包括:获取预先设置的下采样操作参数;根据重要性得分对顶点进行排序;从排序后的顶点中提取与下采样操作参数对应数量的顶点,并删除未提取的顶点。
在一个实施例中,计算机程序被处理器执行时所涉及的获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新,包括:获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征,并通过三角边塌缩法以重要性得分为塌缩代价对目标网格信息进行更新。
在一个实施例中,计算机程序被处理器执行时所涉及的获取删除处理后剩下的顶点以及剩下的顶点对应的更新特征对目标网格信息进行更新之后,还包括:判断是否满足预设停止条件;当不满足预设停止条件时,则获取更新后的目标网格信息作为新的目标网格信息,并继续提取目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;当满足预设停止条件时,则输出更新后的目标网格信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:根据上述任一实施例所述的三维对象特征获取待分类的三维对象对应的更新后的目标网格信息;根据更新后的目标网格信息对所述待分类的三维对象进行分类。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种三维对象特征获取方法,其特征在于,所述方法包括:
获取待分类的三维对象的目标网格信息;
提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;
以每个所述顶点为卷积中心,以对应所述顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个所述顶点对应的更新特征和重要性得分;
根据所述重要性得分对所述顶点进行删除处理;
获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新。
2.根据权利要求1所述的方法,其特征在于,所述提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点,包括:
提取所述目标网格信息中的每个顶点的所有邻接顶点;
根据K近邻算法提取所述目标网格信息中的每个顶点的对应的最近邻顶点。
3.根据权利要求2所述的方法,其特征在于,所述根据K近邻算法提取所述目标网格信息中的每个顶点的对应的最近邻顶点,包括:
获取根据不同卷积感受野所设定的K值;
根据所述K值,并通过K近邻算法提取所述目标网格信息中的每个顶点的对应的最近邻顶点。
4.根据权利要求1所述的方法,其特征在于,所述卷积操作对应的卷积核参数的计算方式包括:
计算每个所述卷积中心与对应的所述被卷积对象之间的空间坐标差值;
将所述空间坐标差值输入至多层感知器网络计算得到卷积核参数。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述根据所述重要性得分对所述顶点进行删除处理,包括:
获取预先设置的下采样操作参数;
根据所述重要性得分对所述顶点进行排序;
从排序后的所述顶点中提取与所述下采样操作参数对应数量的顶点,并删除未提取的顶点。
6.根据权利要求5所述的方法,其特征在于,所述获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新,包括:
获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征,并通过三角边塌缩法以所述重要性得分为塌缩代价对所述目标网格信息进行更新。
7.根据权利要求1至4任意一项所述的方法,其特征在于,所述获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新之后,还包括:
判断是否满足预设停止条件;
当不满足预设停止条件时,则获取更新后的目标网格信息作为新的目标网格信息,并继续提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;
当满足预设停止条件时,则输出更新后的目标网格信息。
8.一种三维对象分类方法,其特征在于,所述分类方法包括:
根据上述权利要求1至7任意一项所述的三维对象特征获取待分类的三维对象对应的更新后的目标网格信息;
根据更新后的目标网格信息对所述待分类的三维对象进行分类。
9.一种三维对象特征获取装置,其特征在于,所述装置包括:
待处理信息获取模块,用于获取待分类的三维对象的目标网格信息;
顶点提取模块,用于提取所述目标网格信息中的每个顶点的所有邻接顶点和最近邻顶点;
卷积操作模块,用于以每个所述顶点为卷积中心,以对应所述顶点的所有邻接顶点和最近邻顶点为被卷积对象进行卷积操作,得到每个所述顶点对应的更新特征和重要性得分;
删除模块,用于根据所述重要性得分对所述顶点进行删除处理;
更新模块,用于获取删除处理后剩下的顶点以及剩下的所述顶点对应的更新特征对所述目标网格信息进行更新。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7或8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7或8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674249.6A CN111898654A (zh) | 2020-07-14 | 2020-07-14 | 三维对象特征获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674249.6A CN111898654A (zh) | 2020-07-14 | 2020-07-14 | 三维对象特征获取方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898654A true CN111898654A (zh) | 2020-11-06 |
Family
ID=73192632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010674249.6A Pending CN111898654A (zh) | 2020-07-14 | 2020-07-14 | 三维对象特征获取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898654A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062551A (zh) * | 2017-06-28 | 2018-05-22 | 浙江大学 | 一种基于邻接矩阵的图特征提取系统、图分类系统和方法 |
US20180260636A1 (en) * | 2017-03-13 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Obstacle detecting method and apparatus, device and storage medium |
CN109461198A (zh) * | 2018-11-12 | 2019-03-12 | 网易(杭州)网络有限公司 | 网格模型的处理方法及装置 |
CN109993748A (zh) * | 2019-03-30 | 2019-07-09 | 华南理工大学 | 一种基于点云处理网络的三维网格物体分割方法 |
CN110458957A (zh) * | 2019-07-31 | 2019-11-15 | 浙江工业大学 | 一种基于神经网络的图像三维模型构建方法及装置 |
CN110969689A (zh) * | 2019-12-03 | 2020-04-07 | 上海眼控科技股份有限公司 | 点云特征提取方法、装置、计算机设备和存储介质 |
CN111028327A (zh) * | 2019-12-10 | 2020-04-17 | 深圳先进技术研究院 | 一种三维点云的处理方法、装置及设备 |
-
2020
- 2020-07-14 CN CN202010674249.6A patent/CN111898654A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260636A1 (en) * | 2017-03-13 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Obstacle detecting method and apparatus, device and storage medium |
CN108062551A (zh) * | 2017-06-28 | 2018-05-22 | 浙江大学 | 一种基于邻接矩阵的图特征提取系统、图分类系统和方法 |
CN109461198A (zh) * | 2018-11-12 | 2019-03-12 | 网易(杭州)网络有限公司 | 网格模型的处理方法及装置 |
CN109993748A (zh) * | 2019-03-30 | 2019-07-09 | 华南理工大学 | 一种基于点云处理网络的三维网格物体分割方法 |
CN110458957A (zh) * | 2019-07-31 | 2019-11-15 | 浙江工业大学 | 一种基于神经网络的图像三维模型构建方法及装置 |
CN110969689A (zh) * | 2019-12-03 | 2020-04-07 | 上海眼控科技股份有限公司 | 点云特征提取方法、装置、计算机设备和存储介质 |
CN111028327A (zh) * | 2019-12-10 | 2020-04-17 | 深圳先进技术研究院 | 一种三维点云的处理方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458957B (zh) | 一种基于神经网络的图像三维模型构建方法及装置 | |
Digne et al. | Feature-preserving surface reconstruction and simplification from defect-laden point sets | |
US20180315232A1 (en) | Real-time incremental 3d reconstruction of sensor data | |
CN112669463B (zh) | 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 | |
CN110990516B (zh) | 地图数据的处理方法、装置和服务器 | |
CN106408604A (zh) | 一种点云数据的滤波方法及装置 | |
CN110544308B (zh) | 变电站建模方法、装置、计算机设备和存储介质 | |
US20220277514A1 (en) | Reconstructing three-dimensional scenes portrayed in digital images utilizing point cloud machine-learning models | |
Contreras et al. | Edge-convolution point net for semantic segmentation of large-scale point clouds | |
CN110544298A (zh) | 变电站建模方法、装置、计算机设备和存储介质 | |
CN110348453B (zh) | 一种基于级联的物体检测方法及系统、存储介质及终端 | |
CN113487523A (zh) | 图形轮廓优化方法、装置、计算机设备和存储介质 | |
Yang et al. | Automatic objects removal for scene completion | |
CN113628343B (zh) | 三维网格的合并处理方法和装置、存储介质 | |
CN114581473A (zh) | 一种适用于多种场景的点云降采样方法及装置 | |
CN111583268B (zh) | 点云虚拟选择与裁切方法、装置及设备 | |
CN110046623B (zh) | 一种图像特征点提取方法和相机 | |
CN112002007A (zh) | 基于空地影像的模型获取方法及装置、设备、存储介质 | |
Zhao et al. | A new k nearest neighbours algorithm using cell grids for 3d scattered point cloud | |
CN111898654A (zh) | 三维对象特征获取方法、装置、计算机设备和存储介质 | |
CN115564863A (zh) | 一种三角网格快速绘制曲线的方法、系统、介质及计算机 | |
Saglam et al. | An efficient object extraction with graph-based image segmentation | |
CN113963221A (zh) | 一种图像聚类方法、装置、计算机设备及可读存储介质 | |
CN113763240B (zh) | 一种点云缩略图生成方法、装置、设备及存储介质 | |
CN113256793A (zh) | 一种三维数据处理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |