基于三维模型特征的模型检索方法、装置、设备及介质

本技术涉及三维模型检索，特别是涉及一种基于三维模型特征的模型检索方法、装置、设备及介质。

背景技术：

1、三维场景漫游利用计算机技术生成逼真的三维场景，通过建立模型和模拟复杂的环境和情况，为用户提供沉浸式体验。三维场景漫游往往需要建立多个逼真的三维场景，每个场景都需要大量的三维模型。这些三维模型不仅需要逼真度高，而且需要具有高度的可交互性和可操作性，以便用户能够在场景漫游中进行实时的操作，这对模型的存储和检索带来了巨大的挑战。因此，三维模型检索，即如何在三维模型库中高效地检索所需模型，已成为当今多媒体等领域中研究的热点问题之一。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够高效快速检索相似模型，并对三维模型进行集中管理维护的基于三维模型特征的模型检索方法、装置、设备及介质。

2、一种基于三维模型特征的模型检索方法，所述方法包括：

3、获取客户端展示的三维模型的点云数据并进行预处理，得到预处理后的点云数据；

4、通过多项式函数拟合对预处理后的点云数据进行特征提取，得到三维模型的分布特征向量；并通过将预处理后的点云数据输入预先构建的孪生神经网络模型进行训练，并根据训练好的孪生神经网络模型进行特征提取，得到三维模型的表征特征向量；将分布特征向量和表征特征向量进行相加，得到三维模型的原始特征向量；其中，分布特征向量和表征特征向量的长度一致；

5、获取客户端展示的所有三维模型对应的原始特征向量并进行聚类压缩，获取每个三维模型的压缩向量，并将压缩向量与对应的模型信息存入模型数据库中；

6、将待查询的三维模型的点云数据导入客户端中并获取对应的待查询的原始特征向量，通过比较计算待查询的原始特征向量与模型数据库中存储的压缩向量之间的距离，在模型数据库中检索相似模型，并将相似模型在客户端进行展示交互。

7、在其中一个实施例中，获取客户端展示的三维模型的点云数据并进行预处理，得到预处理后的点云数据，包括：

8、获取客户端展示的三维模型的点云数据，当三维模型中包含多个子模型时，将三维模型划分为多个子模型并获取对应的点云数据；

9、通过矩阵坐标变换还原点云数据中所有点的全局坐标，并通过所有点的整体平移和缩放对模型进行标准化处理，使得模型被缩放至一个单位立方体包围盒内；

10、通过更改所有点的全局坐标，使得单位立方体包围盒的中心与点云数据中的坐标原点重合，完成点云数据的预处理并获取预处理后的点云数据。

11、在其中一个实施例中，通过多项式函数拟合对预处理后的点云数据进行特征提取，得到三维模型的分布特征向量，包括：

12、通过随机采样预处理后的点云数据中的任意两点并计算两点之间的距离，得到三维模型的点距离形状概率分布；

13、将点距离形状概率分布划分为若干段，对每一段数据采用多项式函数进行拟合，并将拟合的多项式函数的参数作为三维模型的分布特征向量；其中，分布特征向量的长度与多项式函数的参数数量一致。

14、在其中一个实施例中，通过将预处理后的点云数据输入预先构建的孪生神经网络模型进行训练，并根据训练好的孪生神经网络模型进行特征提取，得到三维模型的表征特征向量，包括：

15、将预处理后的点云数据输入预先构建的孪生神经网络模型；其中，孪生神经网络模型包括依次相连的特征提取模块和相似性对比模块，特征提取模块的输入为预处理后的点云数据，输出为三维模型的特征向量；相似性对比模块是由一对共享权值的网络构成，两个网络分别接收特征提取模块输出的特征向量作为输入，并输出三维模型的标签向量并对任意两个三维模型的标签向量进行相似性对比；

16、将任意两个三维模型的标签向量输入预先构建的损失函数表达式进行计算，并根据计算得到的损失函数对孪生神经网络模型进行训练优化，直至得到满足拟合精度要求的训练好的孪生神经网络模型；

17、将预处理后的点云数据输入训练好的孪生神经网络模型中的特征提取模块进行特征提取，并将提取得到的特征向量作为三维模型的表征特征向量。

18、在其中一个实施例中，预先构建的损失函数表达式为

19、

20、其中，w为孪生神经网络模型的参数，x1和x2表示两个三维模型对应的预处理后的点云数据，y为三维模型是否相似的标签，y＝1表示三维模型相似，y＝0表示三维模型不相似，为相似性对比模块，fw为特征提取模块，fw(x1)和fw(x2)分别表示将x1和x2转换为特征向量，表示分别将fw(x1)和fw(x2)转换为对应的标签向量并计算两个标签向量之间的距离，m为预先设置的边界阈值。

21、在其中一个实施例中，获取客户端展示的所有三维模型对应的原始特征向量并进行聚类压缩，获取每个三维模型的压缩向量，并将压缩向量与对应的模型信息存入模型数据库中，包括：

22、获取客户端展示的所有三维模型对应的原始特征向量，将所有原始特征向量切分为n个子段，每个子段w/n维，且每个子段内含有与原始特征向量数量相等的子段向量；其中，w为孪生神经网络模型的参数；

23、依次对每个子段内的子段向量进行聚类，每个子段具备k个簇心，总共得到n×k个簇心，将需要存入模型数据库中的每个三维模型对应的原始特征向量切分为n个子段，计算每个子段最相近的簇心，并将该子段映射到k个簇心中的一个，得到每个三维模型的n维压缩向量，并将压缩向量与对应的模型信息存入模型数据库中。

24、在其中一个实施例中，将待查询的三维模型的点云数据导入客户端中并获取对应的待查询的原始特征向量，通过比较计算待查询的原始特征向量与模型数据库中存储的压缩向量之间的距离，在模型数据库中检索相似模型，并将相似模型在客户端进行展示交互，包括：

25、将待查询的三维模型的点云数据导入客户端中，依次对待查询的三维模型的点云数据进行预处理和特征提取，得到待查询的原始特征向量；

26、将待查询的原始特征向量切分为n个子段，并计算每个子段与模型数据库中每个三维模型的n维压缩向量中每一个子段对应的簇心之间的距离，得到一个长度为k的簇心查询距离表，根据簇心查询距离表，将待查询的原始特征向量的n个子段对应的簇心查询距离进行相加，得到待查询的三维模型与模型数据库中存储的三维模型之间的距离，选择距离最短的前m个三维模型作为相似模型并输出到客户端进行展示交互。

27、一种基于三维模型特征的模型检索装置，所述装置包括：

28、预处理模块，用于获取客户端展示的三维模型的点云数据并进行预处理，得到预处理后的点云数据；

29、特征提取模块，用于通过多项式函数拟合对预处理后的点云数据进行特征提取，得到三维模型的分布特征向量；并通过将预处理后的点云数据输入预先构建的孪生神经网络模型进行训练，并根据训练好的孪生神经网络模型进行特征提取，得到三维模型的表征特征向量；将分布特征向量和表征特征向量进行相加，得到三维模型的原始特征向量；其中，分布特征向量和表征特征向量的长度一致；

30、聚类压缩模块，用于获取客户端展示的所有三维模型对应的原始特征向量并进行聚类压缩，获取每个三维模型的压缩向量，并将压缩向量与对应的模型信息存入模型数据库中；

31、相似检索模块，用于将待查询的三维模型的点云数据导入客户端中并获取对应的待查询的原始特征向量，通过比较计算待查询的原始特征向量与模型数据库中存储的压缩向量之间的距离，在模型数据库中检索相似模型，并将相似模型在客户端进行展示交互。

32、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以下步骤：

33、获取客户端展示的三维模型的点云数据并进行预处理，得到预处理后的点云数据；

34、通过多项式函数拟合对预处理后的点云数据进行特征提取，得到三维模型的分布特征向量；并通过将预处理后的点云数据输入预先构建的孪生神经网络模型进行训练，并根据训练好的孪生神经网络模型进行特征提取，得到三维模型的表征特征向量；将分布特征向量和表征特征向量进行相加，得到三维模型的原始特征向量；其中，分布特征向量和表征特征向量的长度一致；

35、获取客户端展示的所有三维模型对应的原始特征向量并进行聚类压缩，获取每个三维模型的压缩向量，并将压缩向量与对应的模型信息存入模型数据库中；

36、将待查询的三维模型的点云数据导入客户端中并获取对应的待查询的原始特征向量，通过比较计算待查询的原始特征向量与模型数据库中存储的压缩向量之间的距离，在模型数据库中检索相似模型，并将相似模型在客户端进行展示交互。

37、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以下步骤：

38、获取客户端展示的三维模型的点云数据并进行预处理，得到预处理后的点云数据；

39、通过多项式函数拟合对预处理后的点云数据进行特征提取，得到三维模型的分布特征向量；并通过将预处理后的点云数据输入预先构建的孪生神经网络模型进行训练，并根据训练好的孪生神经网络模型进行特征提取，得到三维模型的表征特征向量；将分布特征向量和表征特征向量进行相加，得到三维模型的原始特征向量；其中，分布特征向量和表征特征向量的长度一致；

40、获取客户端展示的所有三维模型对应的原始特征向量并进行聚类压缩，获取每个三维模型的压缩向量，并将压缩向量与对应的模型信息存入模型数据库中；

41、将待查询的三维模型的点云数据导入客户端中并获取对应的待查询的原始特征向量，通过比较计算待查询的原始特征向量与模型数据库中存储的压缩向量之间的距离，在模型数据库中检索相似模型，并将相似模型在客户端进行展示交互。

42、上述基于三维模型特征的模型检索方法，具备以下有益效果：

43、1、本技术通过多项式函数拟合和神经网络模型相结合的特征提取方法，提取三维模型的多维度特征，提高了三维模型特征提取的准确性。

44、2、本技术通过对提取的三维模型特征进行聚类压缩，并将模型压缩向量与对应的模型信息存入模型数据库中，便于对三维模型进行集中管理和维护，也便于对三维模型进行分类和组织，能够实现大型三维场景中三维模型的高效管理与快速调用。

45、3、本技术通过提取待查询的三维模型的原始特征向量，并比较其与模型数据库中存储的压缩向量之间的距离，能够帮助用户在模型数据库中快速准确地检索出所需要的相似模型，实现三维模型的快速定位和检索。