一种基于特征匹配的三维模型分类方法与流程

技术特征：

1.一种基于特征匹配的三维模型分类方法，其特征在于，所述三维模型分类方法包括以下步骤：

分别提取训练向量集的高斯核并定义为多视角训练高斯核和单视角训练高斯核，将高斯核分别定义为多视角训练特征库和单视角训练特征库；

利用多视角训练特征和单视角训练特征构建目标函数并迭代使其最小化得到特征匹配矩阵；

将待分类数据中各物体的多视角彩色视图集随机抽取一张视图，得到各物体的初始单视角视图和类别标签提取单视角视图的卷积神经网络特征后计算特征的单视角高斯核，并定义为单视角特征库；

将单视角特征库乘以其转换函数得到映射后的特征，将视角训练特征乘以其另一转换函数得到映射后的特征，计算特征间的cos距离进而获得模型之间的相似度。

2.根据权利要求1所述的一种基于特征匹配的三维模型分类方法，其特征在于，所述三维模型分类方法还包括：

将训练数据中各物体的多视角彩色视图集定义为多视角训练模型库，对每个物体的多视角彩色视图集随机抽取一张视图得到初始单视角视图，将所有物体的单视图集定义为单视角训练模型库。

3.根据权利要求1所述的一种基于特征匹配的三维模型分类方法，其特征在于，所述三维模型分类方法还包括：

在多视角训练模型库和单视角训练模型库中，提取各物体的初始视图集的卷积神经网络特征，得到初始特征多视角训练向量集和类别标签，初始特征单视角训练向量集和类别标签。

4.根据权利要求1所述的一种基于特征匹配的三维模型分类方法，其特征在于，所述多视角训练高斯核具体为：计算多视角训练向量集的协方差矩阵的距离范数的高斯核得到多视角训练高斯核，

K′_s(si,sj)＝exp(-d(s_si,s_sj)²/2σ²)

其中，σ是d(s_si,s_sj)的标准差；K′_s(si,sj)为第si个多视角三维物体与第sj个多视角三维物体间的高斯核。

5.根据权利要求1所述的一种基于特征匹配的三维模型分类方法，其特征在于，所述单视角训练高斯核具体为：

K′_v(vi,vj)＝exp(-||v_vi-v_vj||²/2t²)

其中，vi,vj∈{1,2,...,n}，t为单视角向量集V的标准差；n为单视角三维物体的个数；v_vi为第vi个单视角三维物体的特征；v_vj为第vj个单视角三维物体的特征；K′_v(vi,vj)为第vi个单视角三维物体与第vj个单视角三维物体间的高斯核。

6.根据权利要求1所述的一种基于特征匹配的三维模型分类方法，其特征在于，所述利用多视角训练特征和单视角训练特征构建目标函数的步骤具体为：

将多视角训练特征的转换函数定义为ψ，单视角训练特征的转换函数定义为f，构建目标函数如下：

$U(f,\mathrm{\ψ})=\underset{f,\mathrm{\ψ}}{min}\{{\mathrm{\λ}}_{1}C(f,\mathrm{\ψ})+{\mathrm{\λ}}_{2}D(f,\mathrm{\ψ})+O(f,\mathrm{\ψ})\}$

其中，λ₁＞0，λ₂＞0为权重函数并满足λ₁+λ₂＝1；C(f,ψ)是多视图训练特征和单视图训练特征之间相似度和不相似度的约束项；D(f,ψ)用于保持所有训练特征的几何特性；O(f,ψ)用于保持数据的各同向性分布。