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！

龙图腾网获悉延边大学申请的专利一种基于三维模型几何特征的游戏模型抄袭检测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：CN120411379B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202510581301.6，技术领域涉及：G06T17/00；该发明授权一种基于三维模型几何特征的游戏模型抄袭检测方法是由李德;闫肃;金勋;李炫佑;朴锦春;李庭汉设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本一种基于三维模型几何特征的游戏模型抄袭检测方法在说明书摘要公布了：本发明公开了一种基于三维模型几何特征的游戏模型抄袭检测方法，包括以下步骤：S1，输入处理：获取原始三维游戏模型和疑似侵权的三维模型，将其作为输入数据；S2，点云预处理：对两个三维模型分别进行近似表面均匀采样，将模型数据采样为点云形式；S3，特征提取：将预处理后的两个点云输入到共享权重的孪生神经网络中，使用特征提取器分别提取两个点云的多层次特征表示。本发明涉及三维模型的版权保护技术领域，本发明的有益效果是，高效的三维模型相似性检测：本发明通过引入孪生网络架构并改进其结构，结合深度学习方法提取点云特征，提升了对三维游戏模型相似性的检测效率和准确性。

本发明授权一种基于三维模型几何特征的游戏模型抄袭检测方法在权利要求书中公布了：1.一种基于三维模型几何特征的游戏模型抄袭检测方法，其特征在于，包括以下步骤： S1，输入处理：获取原始三维游戏模型和疑似侵权的三维模型，将其作为输入数据； S2，点云预处理：对两个三维模型分别进行近似表面均匀采样，将模型数据采样为点云形式； S3，特征提取：将预处理后的两个点云输入到共享权重的孪生神经网络中，使用特征提取器分别提取两个点云的多层次特征表示； S4，特征融合：将两个点云的特征表示进行融合，包括特征拼接、逐元素乘积和差异计算，形成综合的特征向量； S5，相似度判别：将融合后的特征向量输入分类器，输出用于判别两个模型是否相似的概率值，超过设定阈值的判定为侵权； S3中，具体过程为：将采样得到的两个点云作为输入，使用共享权重的特征提取器分别对两个点云进行特征提取； 所述特征提取器分步计算多层级特征，包括以下几个模块： 局部特征提取模块； 全局特征提取模块； 边缘特征提取模块； 特征聚合模块； 局部特征提取模块具体包括以下步骤： 锚点采样； 从输入的点云数据中，通过最远点采样选取锚点形成锚点集合： ； 其中，表示锚点集合，包含选取的锚点的坐标；表示锚点的三维坐标；表示锚点在原始点云集合中的索引；为点云数据的点集合，包含点云中的所有点； 边特征提取； 计算锚点及其临域点之间的边特征，用于反应锚点局部几何关系： ； 其中，； 其中，表示锚点的边特征矩阵；表示锚点和其邻域点之间的相对位移，这里也称之为边特征；是锚点与邻域点之间的边集合；是邻域点的三维坐标； 边特征投影； 将边特征投影到高维度特征空间： ； 其中，是第个锚点的投影边特征；为边特征投影矩阵；是边特征的高维表示维度； 局部注意力计算； ； 其中，表示第层局部Transformer提取的边特征；表示第层局部Transformer的映射函数； 邻域特征聚合； 在每层局部Transformer处理后，从每个锚点的邻域特征中提取并汇总局部信息： ； 其中，是所有锚点的局部特征，包含锚点与其邻域的几何关系信息；表示特征的聚合和拼接操作； 全局特征提取模块具体包括以下步骤： 锚点特征更新； 计算出的锚点特征和聚合边特征更新锚点特征： ； 其中，表示更新后的锚点特征；是上一层锚点特征；是特征投影矩阵； 全局注意力计算； ； 其中，表示第层全局Transformer提取的锚点特征； 边缘特征提取模块具体包括以下步骤： 计算全局点对相关性图； 通过点对相关性计算，生成全局点对关系的度量，用于捕捉点云的全局几何关系，首先需要计算点对相关性，对于点云中的每两个点和，通过线性映射生成查询和键值，点对相关性度量定义为： ； 其中，表示点和的相关性；和是通过共享的线性层计算得到的高维向量； 然后计算归一化的点对相关性图： ； 其中，是点的归一化相关性图，表示点与邻域点的权重分布；是查询向量和键向量的维度； 构建全局相关性矩阵； 将所有的点对相关性图整合为全局相关性矩阵： ； 其中，的每一行表示点的归一化相关性图；是点云的点数； 边缘点筛选； 通过对全局相关性矩阵的列进行求和，计算每个点的全局贡献度，取全局贡献度较高的点作为边缘点进行采样，其中，每个点的全局贡献度计算如下： ； 其中，表示点的全局贡献度；是全局相关性矩阵中的第行和第列元素； 边缘特征生成； 对于边缘点筛选中采样的每个边缘点，通过k-NN方法选取其邻域点集合，对于点和其邻域点，计算注意力权重： ； 其中，为注意力权重，表示邻域点对边缘点的贡献；和分别是点和邻域点的查询和键值向量； 之后根据注意力权重对邻域点特征进行加权求和，生成边缘点的特征表示： ； 其中，是邻域点通过线性映射生成的特征； 所述特征聚合模块，包括： 对于所有筛选出的边缘点特征,分别通过最大池化和均值池化进行聚合，并将二者的结果拼接形成最终的特征表示： ； ； ； 其中，表示边缘点特征的最大池化结果；表示边缘点特征的均值池化结果；表示全局边缘特征；表示向量拼接操作； 特征聚合模块具体包括以下步骤： 中间特征聚合； 将局部特征提取模块生成的多层局部特征与全局特征提取模块生成的多层全局特征按层进行拼接，构造统一的多层特征表示： ； 其中，Z为拼接后的多层特征表示，包含了局部和全局特征的综合信息；表示第层局部特征，表示第层全局特征，； 统一全局特征生成； 通过单层的多层感知机，简称：MLP，对拼接的特征进行线性映射和激活，生成统一的全局特征表示： ； 其中，是融合后的全局特征，为激活函数； 完整特征生成； 将统一全局特征表示与全局边缘特征进行拼接，形成完整的特征表示： ； 其中，表示最终的特征表示，包含局部、全局和边缘信息，能够更全面描述三维模型的几何特征。

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延边大学，其通讯地址为：133002 吉林省延边朝鲜族自治州延吉市公园路977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。