基于体素与全局形状分布特征的三维模型分类
随着计算机视觉的不断发展，三维扫描技术日新月异，伴随而来的是三维模型的数量与日俱增。一个工程往往是由来自不同学科、不同领域的工程师共同设计的，这些人只具备自己领域的专业知识，因此他们只使用自己领域的三维模型进行设计。当设计新产品时，重用已有的模型可以大大提高开发的效率，并降低开发成本。于是，如何高效、准确地对这些三维模型进行分类成为一个亟待解决的问题。 本文主要研究了三维模型体素化方法以及全局形状分布函数的提取，同时研究了卷积神经网络和AdaBoost算法的原理。利用卷积神经网络提取体素数据和全局形状分布函数的特征，再通过AdaBoost的迭代训练，将若干个弱分类器进行加权组合得到一个强分类器，用于三维模型分类。本文主要研究的内容可以分为以下几个部分： 1.研究了三维模型的体素化方法，可以将一个三维模型离散化为体素数据；研究了全局形状分布函数的提取，通过D1、D2、D3和A3形状分布函数表达三维模型的几何特征。 2.研究了基于体素的三维模型分类方法，利用三维卷积神经网络提取体素数据的特征，该卷积神经网络由三维卷积层、全连接层组成，用训练集的体素数据优化该网络模型，之后利用测试集进行分类实验。 3.研究了融合体素与全局形状分布特征的三维模型分类方法，通过使用两个卷积神经网络分别提取体素数据和全局形状分布函数的特征，再将得到的特征进行融合，最后使用融合特征完成三维模型分类。 4.研究了基于CNN与AdaBoost的三维模型分类方法，把卷积神经网络与AdaBoost结合，充分发挥两者的优势。卷积神经网络用于提取特征；AdaBoost可以通过不断调整训练样本的权重得到不同的弱分类器，将这些弱分类器加权组合得到一个强分类器用于分类实验。
三维模型分类;体素数据;全局形状;分布特征;卷积神经网络;AdaBoost算法
哈尔滨理工大学
硕士
计算机技术
高雪瑶
2022
中文
TP391.41
2022-09-21（万方平台首次上网日期，不代表论文的发表时间）