买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉哈尔滨理工大学申请的专利基于特征融合和投票机制的三维模型分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116468929B 。

龙图腾网通过国家知识产权局官网在2025-10-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310133992.4，技术领域涉及：G06V10/764；该发明授权基于特征融合和投票机制的三维模型分类方法是由高雪瑶;闫少康;张春祥设计研发完成，并于2023-02-18向国家知识产权局提交的专利申请。

本基于特征融合和投票机制的三维模型分类方法在说明书摘要公布了：本发明涉及一种基于特征融合和投票机制的三维模型分类方法。本发明首先对三维模型数据集中的训练模型和测试模型进行预处理，得到一组表征三维模型的二维视图，通过计算得到视图的低层形状特征：D1、D2、D3、Zernike矩、Fourier描述子和KSP特征。使用RegNet设计空间实现视图高层语义特征的提取。利用Concat对从训练模型获取的视图低层形状特征与高层语义特征进行融合，得到训练数据。利用Concat对从测试模型获取的视图低层形状特征与高层语义特征进行融合，得到测试数据。然后，利用训练数据对RegNet设计空间和LSTM进行优化，利用优化后的RegNet设计空间和LSTM从测试数据的融合特征中提取判别特征，再输入到Softmax中，利用投票算法对Softmax输出的概率分布进行投票，得到测试数据的分类结果。本发明对三维模型实现了很好的分类，更准确地预测出三维模型的真实类别。

本发明授权基于特征融合和投票机制的三维模型分类方法在权利要求书中公布了：1.一种基于特征融合和投票机制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：对三维模型数据集进行数据预处理，得到一组表征三维模型的二维视图集； 步骤2：将三维模型的形状函数应用于二维视图，利用D1形状函数来描述二维视图中心点与边界随机点的距离，利用D2形状函数来描述视图边界上两个随机点之间的距离，利用D3形状函数来描述视图边界上三个随机点所构成面积的平方根； 步骤3：提取二维视图的Zernike矩特征，并采用标准矩的方法归一化到0,1范围； 步骤4：提取二维视图的轮廓特征，利用傅里叶描述子表示视图轮廓信息，并对得到的傅里叶描述子作进一步归一化处理，得到具有平移、缩放和旋转不变性的特征矢量序列； 步骤5：提取视图的局部纹理特征，利用KSP特征向量表示视图纹理信息，并将KSP特征与步骤2、3、4获取的D1、D2、D3、Zernike矩特征和Fourier特征进行串联得到低层形状特征LSF， 步骤5-1在视图中定义一个大小为3×3的窗口，将灰度值大于等于阈值K的像素点设置为1，灰度值小于阈值K的像素点设置为0，其中K定义如下： 其中max3×3、min3×3分别表示在大小为3×3窗口中的最大灰度值和最小灰度值，α是一个缩放系数； 步骤5-2统计这9个像素点中设置为1的像素点数量，用这个数值的平方表示视图在3×3窗口的KSP编码，遍历整幅视图的所有像素点，获得这幅视图的KSP编码； 步骤5-3将KSP编码中每个区间的概率密度作为KSP特征，并将KSP特征与步骤2、3、4所获取的D1、D2、D3、Zernike矩特征和Fourier特征进行串联得到LSF； 步骤6：基于RegNet设计空间提取视图的高层语义特征HSF，利用Concat将步骤5获取的LSF与HSF进行特征融合，得到三维模型的联合描述子，将三维模型数据集中经过特征融合后的三维模型训练集作为训练数据，将三维模型数据集中经过特征融合后的三维模型测试集作为测试数据； 步骤7：使用训练数据来优化RegNet设计空间和LSTM，利用优化后的RegNet设计空间和LSTM从测试数据的融合特征中提取判别特征，再输入到Softmax中，利用投票算法对Softmax输出的概率分布进行投票，得到测试数据的分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。