專利名稱：：一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于計(jì)算機(jī)應(yīng)用
技術(shù)領(lǐng)域：
，特別涉及的是一種基于神經(jīng)網(wǎng)絡(luò)對三維模型的顏色視覺特征進(jìn)行分類的方法。
背景技術(shù)：
：近年來，隨著計(jì)算機(jī)圖形學(xué)的發(fā)展以及三維模型獲取技術(shù)、圖形硬件技術(shù)的提高，三維模型已成為繼聲音、圖像和視頻之后的第四種多媒體數(shù)據(jù)類型。如何迅速檢索到所需的三維模型正成為多媒體信息檢索領(lǐng)域中的又一個(gè)熱門課題?；趦?nèi)容的三維模型檢索系統(tǒng)利用反映三維模型視覺特征的內(nèi)容信息，如形狀、空間關(guān)系、顏色及材質(zhì)紋理等，自動(dòng)計(jì)算并提取三維模型的特征，建立多維特征信息索引，然后在多維特征空間中匹配待査詢模型與目標(biāo)模型之間的相似程度，實(shí)現(xiàn)對三維模型數(shù)據(jù)庫的瀏覽和檢索?？梢姡己玫奶卣髅枋龇麑τ跈z索性能具有至關(guān)重要的意義。目前，特征提取技術(shù)的研究仍主要集中在對三維模型幾何形狀的描述上。由于三維模型表面屬性的多樣性和復(fù)雜性，國內(nèi)外針對彩色的三維模型，根據(jù)其所具有的顏色屬性進(jìn)行特征提取和匹配識別的分類方法還比較少，無法應(yīng)對顏色屬性所需要的分類需求。
發(fā)明內(nèi)容發(fā)明目的本發(fā)明針對現(xiàn)有技術(shù)的不足，提供了一種基于神經(jīng)網(wǎng)絡(luò)對三維模型的顏色視覺特征進(jìn)行分類的方法。技術(shù)方案本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，該方法包括以下步驟步驟1，通過三維掃描設(shè)備或虛擬建模軟件獲取針對實(shí)際物體的三維模型；步驟2，建立三維模型數(shù)據(jù)庫，將上步中獲取的三維模型文件存儲(chǔ)到三維模型數(shù)據(jù)庫中；步驟3，讀取三維模型數(shù)據(jù)庫中用于訓(xùn)練識別的模型數(shù)據(jù)集合，將讀取的模型數(shù)據(jù)集合輸入三維模型特征提取模塊提取三維模型的顏色特征；步驟4，從模型特征數(shù)據(jù)庫中，讀取三維模型顏色方面的特征數(shù)據(jù)；步驟5，制定顏色特征的量化傳感器；即具體根據(jù)所獲取的顏色屬性的數(shù)值范圍制定分類量化規(guī)則。首先度量顏色屬性數(shù)值的整體值域范圍，然后根據(jù)實(shí)際分類需求將顏色數(shù)值等分或不等分地劃分為要求的幾個(gè)區(qū)間值域，通過分析每一類子區(qū)間中顏色屬性的數(shù)值范圍的閾值定義出每一個(gè)子區(qū)間的目標(biāo)向量，在后續(xù)步驟中神經(jīng)網(wǎng)絡(luò)將需要根據(jù)該量化傳感器定義出來的目標(biāo)向量完成對顏色分類的判斷。步驟6，得到代表三維物體顏色特征的三元組顏色特征向量；步驟7，建立神經(jīng)網(wǎng)絡(luò)分析模塊，并調(diào)整網(wǎng)絡(luò)參數(shù)；步驟8，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色特征向量的決策運(yùn)算；步驟9，根據(jù)神經(jīng)網(wǎng)絡(luò)的判別公式，神經(jīng)網(wǎng)絡(luò)輸出對三維模型的顏色分類的識別結(jié)果。本發(fā)明中，所述三維模型為含有光照色彩信息的三維模型，其顏色屬性包含外部光源的反射顏色、鏡面反射的顏色、幾何形體自身發(fā)射的光線顏色，通過采用三元組特征向量描述，將顏色屬性分別在該RGB單位立方體空間的三個(gè)色彩維度上進(jìn)行量化。本發(fā)明中，神經(jīng)網(wǎng)絡(luò)的輸入向量為三維向量。本發(fā)明中，步驟3中三維模型的顏色識別規(guī)則為二值規(guī)則。本發(fā)明中，步驟7中網(wǎng)絡(luò)參數(shù)包括權(quán)值矩陣W和偏差向量b。本發(fā)明中，步驟7中神經(jīng)網(wǎng)絡(luò)為單層感知器網(wǎng)絡(luò)或者反饋型H叩field網(wǎng)絡(luò)。本發(fā)明中，步驟5中所述顏色特征的量化傳感器根據(jù)所獲取的顏色屬性的數(shù)值范圍制定分類量化規(guī)則。有益效果現(xiàn)在Maya、3DMAX、Cult3D等越來越多的建模軟件都提供全面的三維物體的視覺建模功能，互聯(lián)網(wǎng)上的實(shí)物模型更加富于真實(shí)感導(dǎo)致特征信息量巨大；同時(shí)在三維模型越來越廣泛應(yīng)用的工業(yè)設(shè)計(jì)、游戲教育、影視動(dòng)畫、機(jī)械制造、醫(yī)藥研究、軍事仿真等領(lǐng)域，海量數(shù)據(jù)的產(chǎn)生也使得模型識別不可能僅由人工完成。因此，利用神經(jīng)網(wǎng)絡(luò)來協(xié)助分類檢索含有一定色彩信息的三維模型，是加快三維模型檢索速度，使得復(fù)雜多樣的特征量分析更為有效的一種方式。本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的三維模型的顏色識別而后分類的方法對真實(shí)感三維模型的顏色識別具有較好的容錯(cuò)性，能夠識別帶有噪聲或變形的輸入模式，具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力。專利方法中采用的特定的人工神經(jīng)網(wǎng)絡(luò)(比如，Perceptron網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò))均能有效而正確地進(jìn)行三維物體的色彩識別。其中，單層感知器網(wǎng)絡(luò)結(jié)構(gòu)和算法比較簡單，訓(xùn)練時(shí)間較短，但識別效果較Hopfield網(wǎng)絡(luò)弱；而Hopfield網(wǎng)絡(luò)具有聯(lián)想記憶的自行學(xué)習(xí)能力，且容錯(cuò)性更好。在細(xì)節(jié)技術(shù)方面，本發(fā)明的顏色視覺特征分類方法中，制定視覺特征的量化傳感器的技術(shù)使用三元組向量具有很好的靈活性；便于用戶根據(jù)實(shí)際需求實(shí)現(xiàn)擴(kuò)展，使傳感器能夠增加更為復(fù)雜的規(guī)則庫或采用推理概念量化原始特征值，從而使得制定的目標(biāo)向量的維數(shù)能夠擴(kuò)展到更高維度形成特征矩陣，這樣就為三維模型的模式識別提供了將紋理色彩、材質(zhì)顏色等更多視覺特征有機(jī)結(jié)合起來的便利。同時(shí)，神經(jīng)網(wǎng)絡(luò)分析模塊的調(diào)整網(wǎng)絡(luò)參數(shù)的方式又可以使決策過程進(jìn)一步優(yōu)化；神經(jīng)網(wǎng)絡(luò)判別公式的制定也具有靈活性，能夠根據(jù)實(shí)際需求擴(kuò)展，使得在有噪聲干擾或輸入信號部分特征損失的情況下，具有一定容錯(cuò)性的神經(jīng)網(wǎng)絡(luò)仍可正確完成模式分類。因此，從整體上說，利用本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的技術(shù)來完成彩色三維模型的模式識別，不僅可以根據(jù)更多的樣本學(xué)習(xí)改善分類能力，而且不需對物體的識別進(jìn)行一些統(tǒng)計(jì)上的假設(shè)，放松了傳統(tǒng)方法所需的約束條件，降低了人為主觀因素的影響。本發(fā)明技術(shù)上的可擴(kuò)展性，又同時(shí)為更多各自獨(dú)立的底層視覺特征的融合識別提供了途徑，使得更多基本視覺特征能夠被聯(lián)合分析，從而促進(jìn)推導(dǎo)出高層語義特征的可能性，為三維真實(shí)感模型的提高分類精度的檢索提供了一定幫助。下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明做更進(jìn)一步的具體說明。圖1本發(fā)明整體框架流程圖彩色三維模型顏色分類方法的流程圖。圖2本發(fā)明構(gòu)建顏色屬性的三元組特征量化空間的示意圖。圖3本發(fā)明針對VRML模型設(shè)計(jì)的顏色分類^l的模塊示意圖。圖4本發(fā)明實(shí)施實(shí)例中采用的簡化后的Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。圖5a表示初始時(shí)由實(shí)際建模設(shè)備獲得的未分類的三維模型集合。圖5b表示經(jīng)過本發(fā)明所述方法完成顏色識別后的三維模型分類結(jié)果集合。具體實(shí)施例方式如圖1所示，本發(fā)明公開一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，該方法包括以下步驟步驟l，通過三維掃描設(shè)備或虛擬建模軟件獲取針對實(shí)際物體的三維模型；步驟2，建立三維模型數(shù)據(jù)庫，將上步中獲取的三維模型文件存儲(chǔ)到三維模型數(shù)據(jù)庫中；步驟3，讀取三維模型數(shù)據(jù)庫中用于訓(xùn)練識別的模型數(shù)據(jù)集合，將讀取的模型數(shù)據(jù)集合輸入三維模型特征提取模塊提取三維模型的顏色特征；步驟4，從模型特征數(shù)據(jù)庫中，讀取三維模型顏色方面的特征數(shù)據(jù)；步驟5，制定顏色特征的量化傳感器；也就是具體根據(jù)所獲取的顏色屬性的數(shù)值范圍制定分類量化規(guī)則。首先度量顏色屬性數(shù)值的整體值域范圍，^^.后根據(jù)實(shí)際分類需求將顏色數(shù)值等分或不等分地劃分為要求的幾個(gè)區(qū)間值域。比如需要將彩色模型分為三類，就等分設(shè)置三個(gè)主要顏色區(qū)間形成子區(qū)間，通過分析每一類子區(qū)間中顏色屬性的數(shù)值范圍的閾值定義出每一個(gè)子區(qū)間的代表向量。代表向量也就是由該種量化規(guī)則制定出來的顏色目標(biāo)向量，在后續(xù)步驟中神經(jīng)網(wǎng)絡(luò)將需要利用該量化傳感器定義出來的目標(biāo)向量完成對顏色分類的判斷，也就是需要將神經(jīng)網(wǎng)絡(luò)具體輸出的結(jié)果向量與各個(gè)顏色區(qū)間的目標(biāo)向量作比較，如果相等，就判定模型色彩屬于該種顏色類型。步驟6，得到代表三維物體顏色特征的三元組顏色特征向量；步驟7，建立神經(jīng)網(wǎng)絡(luò)分析模塊，并調(diào)整網(wǎng)絡(luò)參數(shù)權(quán)值矩陣W和偏差向量b。本發(fā)明采用到的神經(jīng)網(wǎng)絡(luò)均是常見的成熟的神經(jīng)網(wǎng)絡(luò)，主要例如感知器網(wǎng)絡(luò)(單層Perceptron網(wǎng)絡(luò))、反饋型網(wǎng)絡(luò)(Hopfield網(wǎng)絡(luò))。其構(gòu)造手段采用流行通用的Matlab軟件工具即可實(shí)現(xiàn)，在Matlab環(huán)境中直接調(diào)用其所提供的神經(jīng)網(wǎng)絡(luò)工具箱內(nèi)的神經(jīng)網(wǎng)絡(luò)建立函數(shù)，通過調(diào)整函數(shù)的參數(shù)即可建立各種常見的神經(jīng)網(wǎng)絡(luò)模塊。步驟8，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色特征向量的決策運(yùn)算。神經(jīng)網(wǎng)絡(luò)的決策運(yùn)算過5程根據(jù)具體所采用的神經(jīng)網(wǎng)絡(luò)而各自不同，但從總體上來說，決策過程的目的都是最終運(yùn)算出目標(biāo)向量，這些目標(biāo)向量唯一而獨(dú)立地代表各種需要被區(qū)分的物體特征。例如在本實(shí)施例中決策過程就是運(yùn)算出用于三維模型的顏色特征識別的目標(biāo)向量，具體來說，神經(jīng)網(wǎng)絡(luò)讀入某一個(gè)三維物體實(shí)際的顏色特征向量，運(yùn)算操作該向量中的元素；對于不同的神經(jīng)網(wǎng)絡(luò)構(gòu)造，會(huì)有不同的操作規(guī)則，例如，本發(fā)明中采用到的單層Perceptron網(wǎng)絡(luò)其決策運(yùn)算就是對單個(gè)元素變量的線性劃分過程，Hopfield網(wǎng)絡(luò)是對多個(gè)元素變量的迭代判斷過程。步驟9，根據(jù)神經(jīng)網(wǎng)絡(luò)的判別公式，神經(jīng)網(wǎng)絡(luò)輸出對三維模型的顏色分類的識別結(jié)果。神經(jīng)網(wǎng)絡(luò)對讀入的該實(shí)際的顏色特征向量完成步驟8中的運(yùn)算操作后，就依據(jù)步驟6中已經(jīng)定義的三元組顏色特征的目標(biāo)向量，將得到的輸出結(jié)果與目標(biāo)向量相比較，如果相等就判定該結(jié)果屬于這種目標(biāo)向量，也就決策出物體的實(shí)際顏色屬于該目標(biāo)向量所代表的顏色類別。本發(fā)明旨在基于神經(jīng)網(wǎng)絡(luò)對三元組顏色視覺特征進(jìn)行學(xué)習(xí)并識別，從而實(shí)現(xiàn)對三維物體根據(jù)顏色特征的分類。本發(fā)明的分類方法的核心是對三維模型的顏色方面的視覺特征進(jìn)行了描述，提出基于顏色特征的識別步驟，主要是設(shè)計(jì)了一種三元組視覺特征向量用于描述三維模型的常見顏色屬性，并通過建立特定的神經(jīng)網(wǎng)絡(luò)(如Perceptron感知器網(wǎng)絡(luò)、Hopfield反饋網(wǎng)絡(luò))實(shí)現(xiàn)對顏色方面的視覺特征進(jìn)行識別分類。同時(shí)，本發(fā)明中具體設(shè)計(jì)了一個(gè)基于Hopfield網(wǎng)絡(luò)的顏色分類器的實(shí)施事例，用于說明對一系列彩色玩具積木的三維模型根據(jù)其材質(zhì)顏色進(jìn)行色彩務(wù)類的實(shí)施方法。"''如圖1所示，本發(fā)明所述的一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏^^分類方法，具體包括以下步驟(一)通過三維掃描設(shè)備或虛擬建模軟件，獲取針對實(shí)際物體的三維模型。(二)在計(jì)算機(jī)中，采用常用的數(shù)據(jù)庫軟件建立三維模型數(shù)據(jù)庫。將步驟(一)獲取到的三維模型文件存儲(chǔ)到三維模型數(shù)據(jù)庫中。如果步驟(一)所獲取的模型是涉及各種物體類別的(比如，自然物體建模模型)，則形成通用三維模型庫；如果步驟(一)所獲取的模型僅涉及某一種類的物體(比如，生物分子模型、CAD零件模型)，則形成專業(yè)領(lǐng)域三維模型庫。本發(fā)明指出，由于后續(xù)步驟分析所需，則要針對的模型是必須包含顏色類信息的真實(shí)感彩色三維模型。(三)從步驟(二)建立的通用或?qū)I(yè)領(lǐng)域三維模型數(shù)據(jù)庫中讀取用于訓(xùn)練識別系統(tǒng)的模型數(shù)據(jù)集合，將讀取的模型集合輸入三維模型特征提取模塊進(jìn)行處理。特征提取模塊采用一些典型的特征提取算法對三維模型進(jìn)行諸如形狀、拓?fù)洹㈩伾?、紋理、材質(zhì)等的特征分析，是為了提取出模型在這些方面的特征向量數(shù)據(jù)。對于機(jī)器而言(如照相機(jī)、攝像頭、掃描儀等視頻輸入設(shè)備)，彩色系統(tǒng)常以RGB顏色模型為標(biāo)準(zhǔn)模型，通過每個(gè)像素的紅(R)、綠(G)、藍(lán)(B)感光器件的感光量產(chǎn)生24位色彩空間，色彩特征C描述為C=R+G+B。而對于獲取到的三維模型的色彩特征，通常可以進(jìn)行例如顏色直方圖分析，顏色分布信息的低階顏色矩分析等普通的顏色特征提取分析。比如，常規(guī)的計(jì)算顏色直方圖的方法就是將顏色空間劃分成若干個(gè)小的顏色區(qū)間，每個(gè)區(qū)間成為直方圖的一個(gè)柄，這個(gè)過程稱為顏色量化；然后，通過計(jì)算顏色落在每個(gè)小區(qū)間內(nèi)的像素?cái)?shù)量可以得到顏色直方圖。在RGB顏色空間中，顏色直方圖可以看成是一個(gè)一維的離散函數(shù)。特征提取算法對模型完成分析后，所計(jì)算出的模型顏色特征向量將被存儲(chǔ)在模型顏色特征數(shù)據(jù)庫中。(四)從步驟(三)建立的模型特征數(shù)據(jù)庫中，讀取顏色方面的特征數(shù)據(jù)。因?yàn)槿S模型經(jīng)過特征提取模塊的處理所生成的特征向量往往是包含了幾何形狀、顏色、紋理、材質(zhì)等多方面的視覺特征數(shù)據(jù)，即使某一類視覺特征數(shù)據(jù)中也涉及多方面的描述，比如相關(guān)顏色的屬性就有原始的RGB值、透明度變量Alpha、由于在實(shí)際應(yīng)用中可能還有復(fù)雜的光照效果，模型的基本色彩還會(huì)受環(huán)境光、漫反射、鏡面反射、發(fā)射光等影響，光照作用模型后產(chǎn)生的真實(shí)感色彩計(jì)算方法一般為模型表面顏色=材質(zhì)發(fā)散顏色+衰減因子X聚光燈效應(yīng)(環(huán)境光+漫反射光+鏡面反射)。本發(fā)明中為簡化起見僅說明選取三維模型中描述其自身屬性的原始的RGB顏色數(shù)值時(shí)的情況，這些特征數(shù)據(jù)將通過下面步驟中量化傳感器的分析構(gòu)建在顏色方面的三元組視覺特征。(五)制定顏色特征的量化傳感器。特征量化傳感器是一套人工設(shè)定的量化規(guī)則，即由用戶根據(jù)所獲取的顏色屬性的數(shù)值范圍制定分類量化規(guī)則。首先度量顏色屬性數(shù)值的整體值域范圍，然后根據(jù)實(shí)際分類需求將顏色數(shù)值等分或不等分地劃分為要求的幾個(gè)區(qū)間值域。例如針對獲取了的RGB屬性數(shù)值的三維模型來說，要構(gòu)建其在顏色方面的三元組向量就需要考慮R、G、B三個(gè)方面的顏色屬性的數(shù)值范圍。因此將彩色模型的色彩區(qū)間劃分為三個(gè)主要顏色的子區(qū)間，對形成的區(qū)間量化分析屬性的數(shù)值范圍，根據(jù)每一類子區(qū)間中顏色屬性的數(shù)值取值大小的上限和下限數(shù)值范圍定義出每一個(gè)子區(qū)間上具有代表性的目標(biāo)向量，對于RGB顏色模型所描述的物體可以參考RGB顏色立方體空間的描述規(guī)則，以下將結(jié)合圖2詳述。由該種量化規(guī)則制定出來的顏色目標(biāo)向量，在后續(xù)步驟中將提供給神經(jīng)網(wǎng)絡(luò)用于完成顏色識別的判斷，也就是神經(jīng)網(wǎng)絡(luò)需要將網(wǎng)絡(luò)輸出的結(jié)果向量與各個(gè)顏色區(qū)間的目標(biāo)向量作比較，如果相等就判定模型色彩屬于該種顏色類型。因此，量化傳感器的作用就是根據(jù)從硬件設(shè)備得到的三維模型的顏色特征參數(shù)，通過特征值域范圍的統(tǒng)計(jì)分析制定合適的規(guī)則，用以定量分析三維模型的顏色特征，使之后的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)顏色定性區(qū)分的目的。特征量化傳感器的原理源于人腦通常分辨一個(gè)物體最先是從其外觀進(jìn)行判斷的機(jī)理。人腦在識別某個(gè)具體物體的過程中，不僅會(huì)基于外部形狀特征區(qū)別出物體意義上的不同，而且很多時(shí)候會(huì)從顏色、紋理材質(zhì)等特征的分析完成對物體的細(xì)節(jié)區(qū)分。當(dāng)物體外型相似時(shí)，基于色彩的視覺特征的重要性顯而易見。其中，RGB顏色模型(紅、綠、藍(lán)三原色顏色模型)是三維建模場景中模型色彩的最常見表示方式。由RGB三基色可構(gòu)成一類顏色空間且可描述為一個(gè)由RGB直角坐標(biāo)系構(gòu)成的XYZ立方體空間，紅(R)、綠(G)、藍(lán)(B)分別對應(yīng)三個(gè)坐標(biāo)軸，坐標(biāo)原點(diǎn)表示黑色，離原點(diǎn)最遠(yuǎn)的對角表示白色。因此，本發(fā)明中基于該量化空間的描述為三維模型的顏色屬性設(shè)計(jì)一種三元組向量，以表達(dá)模型在色彩方面的視覺特征量，用以分辨各種模型的色彩。對于一個(gè)具體的含有光照色彩信息的三維模型，其涉及的顏色屬性一般包含有外部光源的反射顏色(Diffiisecolor)、鏡面反射的顏色(Specularcolor)、幾何形體自身發(fā)射的光線顏色(Emissivecolor)等。通過采用三元組特征向量描述，這些顏色屬性分別可在該RGB單位立方體空間的三個(gè)色彩維度上進(jìn)行量化。在一個(gè)實(shí)際的特征量化過程中，特征被分成兩層或多層的量化級別，選擇的特征參數(shù)針對物體屬性的重要程度進(jìn)行取舍，量化規(guī)則的復(fù)雜程度根據(jù)檢索時(shí)需要的精度來確定。.在本發(fā)明中的三維模型的色彩識別實(shí)例就是應(yīng)用了最簡潔的二值規(guī)則例如，對物體的顏色光照的明暗、顏色的黑白進(jìn)行兩類區(qū)分時(shí)，根據(jù)RGB立方體顏色空間，取平均值做為中間量，即向量RGB^0.50.50.5]的顏色代表中間灰色，目標(biāo)向量[lll]代表白色，目標(biāo)向量[OOO]代表黑色；如果按照明暗完成分類，那么以為中間向量可以將模型粗略分為兩類。因此如果三維模型需要更加細(xì)化的按照紅、綠、藍(lán)三類色彩來區(qū)分，則量化傳感器需要定義相應(yīng)的滿足紅、綠、藍(lán)顏色量對應(yīng)的三元組色彩特征目標(biāo)向量用于判斷三維模型的顏色分類。由圖2可以看到，本發(fā)明中采用的顏色屬性的特征量化表達(dá)空間是一個(gè)由XYZ坐標(biāo)系描述的三元組特征輸入空間。由于在本步驟中采用二值量化規(guī)則，因而此處的XYZ坐標(biāo)的取值范圍是特定的值域[O，l]，0和1分別代表模型的極端特征，中間取值則代表模型對極端特征的靠近程度。本發(fā)明中采用二值規(guī)則的量化方式非常簡潔、易于計(jì)算，使得后續(xù)步驟中的常用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)決策過程變得簡單快速。(六)經(jīng)過步驟(五)中的特征量化處理，本步驟中將得到唯一明確地代表三維物體某一類顏色特征的三元組特征目標(biāo)向量。傳感器量化后的三元組特征向量(采用一個(gè)三維數(shù)組表達(dá))被輸入神經(jīng)網(wǎng)絡(luò)用于識別三維物體。作為神經(jīng)網(wǎng)絡(luò)的輸入向量將該向量設(shè)計(jì)為如下示例形式假設(shè)由圖2所示，在特征輸入空間看到的處于不同位置的紅色圓點(diǎn)、綠色星點(diǎn)、藍(lán)色方點(diǎn)，代表即將要分類的三維模型所屬的A、B、C三種類型的代表模型。定義物體A(紅色圓點(diǎn))在輸入空間的特征向量為Pi，物體B(綠色星點(diǎn))的特征向量為P2，物體C(藍(lán)色方點(diǎn))的特征向量為P3。8由于經(jīng)過特征提取模塊，原始的三元組特征向量表達(dá)為<formula>formulaseeoriginaldocumentpage9</formula>因此，經(jīng)過二值規(guī)則的量化處理，定義三維模型在上述三個(gè)維度上的顏色特征的目標(biāo)向量為:<formula>formulaseeoriginaldocumentpage9</formula>所以，在后續(xù)步驟中采用神經(jīng)網(wǎng)絡(luò)完成顏色識別過程，也就是將需要分辨的三維物體的顏色屬性輸入神經(jīng)網(wǎng)絡(luò)，并將輸出的特征向量與上述定義的三個(gè)P!、P2、P3目標(biāo)向量進(jìn)行比較，才能得出三維模型的顏色屬于A、B、C其中一種類型的分類結(jié)果。代表三維模型的顏色特征向量在輸入神經(jīng)網(wǎng)絡(luò)后，需要完成的網(wǎng)絡(luò)學(xué)習(xí)過程在下述的步驟(七)和(八)中具體描述。(七)本發(fā)明使用的神經(jīng)網(wǎng)絡(luò)分析量化步驟(六)產(chǎn)生的三元組顏色特征向量，實(shí)現(xiàn)對三維模型的顏色識別。具體而言，本步驟包含以下的分步驟(a)在Matlab環(huán)境中建立特定的神經(jīng)網(wǎng)絡(luò)。例如一些常見的成熟的神經(jīng)網(wǎng)絡(luò)構(gòu)造，本發(fā)明采用到的有單層感知器網(wǎng)絡(luò)(Perceptron網(wǎng)絡(luò))、具有聯(lián)想記憶自行學(xué)習(xí)能力的反饋型網(wǎng)絡(luò)(H叩field網(wǎng)絡(luò))。(b)根據(jù)三維模型需要進(jìn)行識別的分類程度選擇神經(jīng)網(wǎng)絡(luò)的類型，并確定該神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)。(i)例如，本發(fā)明對于采用單層感知器(Perceptron)網(wǎng)絡(luò)在判斷兩類模型將輸入空間劃分成兩部分時(shí)，其傳遞函數(shù)可定義為一個(gè)嚴(yán)格限制閾值范圍[-l，l]的對稱型函數(shù)hardlims()，即a=hardlims(Wp+b)。如果加權(quán)矩陣W和輸入向量p的內(nèi)積Wp大于或等于-b，則輸出為l;如果內(nèi)積小于-b，則輸出為-1。(ii)對于反饋型Hopfield網(wǎng)絡(luò)在判斷更多類模型的分類過程中，本發(fā)明采用a(0)=p，a(t+l)=satlin(Wa(t)+b)的一組迭代公式描述傳遞函數(shù)，進(jìn)行運(yùn)作處理。式中傳遞函數(shù)satlin定義為一個(gè)限制閾值范圍[O，l]的非對稱飽和線性傳遞函數(shù)；即該函數(shù)在[O，l]范圍內(nèi)線性變化，且當(dāng)輸入大于l時(shí)，上限約束為l;當(dāng)值小于0時(shí)，下限約束為0。(八)上述神經(jīng)網(wǎng)絡(luò)建立完成后，網(wǎng)絡(luò)對三維模型的三元組顏色特征向量進(jìn)行識別的決策過程如下，具體而言，本步驟包含以下的分步驟(a)本發(fā)明設(shè)計(jì)的特征空間中的特征均為三元組，因此神經(jīng)網(wǎng)絡(luò)的輸入向量是三維的(R=3)。將三維模型的三元組顏色特征向量輸入步驟(七)(b)建立的神經(jīng)網(wǎng)絡(luò)后，將由神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元進(jìn)行決策計(jì)算。(b)根據(jù)特定神經(jīng)網(wǎng)絡(luò)的判別公式完成決策邊界的判斷，得到分類結(jié)果。例如，如下(i)中所推述的單層感知器網(wǎng)絡(luò)的判別公式Wp+b二0就代表了決策邊界，用于識別可線性分離的物體模式，表明單個(gè)神經(jīng)元感知器的主要特性在于能夠?qū)⑤斎胂蛄糠蛛x為兩類。調(diào)整網(wǎng)絡(luò)中的相應(yīng)參數(shù)(權(quán)值矩陣w、偏差向量b)，決策邊界將會(huì)發(fā)生變化，因此將得到或快或慢的分析過程；例如，如下(ii)中所描述的Hopfield網(wǎng)絡(luò)，參數(shù)的變化將使得其迭代過程的快慢發(fā)生改變，具體關(guān)聯(lián)性根據(jù)參數(shù)數(shù)值大小而定；比如本實(shí)施例中參數(shù)值越大迭代速度將變快，迭代層數(shù)減少，精準(zhǔn)度會(huì)下降；參數(shù)值越小迭代速度將減慢，迭代層數(shù)增多，但精準(zhǔn)度會(huì)增加。神經(jīng)網(wǎng)絡(luò)運(yùn)行完成之后將輸出分類結(jié)果。(i)本發(fā)明針對當(dāng)單層感知器(Perception)網(wǎng)絡(luò)用于分辨兩類物體時(shí)，分類決策過程是一個(gè)線性劃分的過程，決策邊界通過原點(diǎn)，加權(quán)矩陣正交于決策邊界，因此可設(shè)計(jì)加權(quán)矩陣W呵010]，偏差向量b二0。運(yùn)用公式Wp+b二0描述決策邊界完成判別，判別公式展開的寫法如下式所示<formula>formulaseeoriginaldocumentpage10</formula>(ii)本發(fā)明針對反饋型Hopfield網(wǎng)絡(luò)，則矩陣中參數(shù)的選擇根據(jù)模型分類的需要而確定，加權(quán)矩陣W和偏差向量b的設(shè)計(jì)采用正交化的權(quán)值設(shè)計(jì)方法。H叩field網(wǎng)絡(luò)的運(yùn)作處理用公式Wp+b形式描述迭代過程完成判別，展開為具體的寫法，如下兩個(gè)式子所示<formula>formulaseeoriginaldocumentpage10</formula>決策分類過程源于神經(jīng)網(wǎng)絡(luò)狀態(tài)的迭代演變過程。本發(fā)明中基于Hopfield網(wǎng)絡(luò)的模式分類器正確的迭代演變過程具體描述為當(dāng)輸入的向量X作為一個(gè)初值時(shí)，網(wǎng)絡(luò)通過反饋演化，從網(wǎng)絡(luò)輸出端得到一個(gè)向量Y,Y是從初值X演化而聯(lián)想到的一個(gè)穩(wěn)定記憶。而后使記憶模式的樣本對應(yīng)于網(wǎng)絡(luò)的穩(wěn)定點(diǎn)，即輸入多個(gè)代表不同類型的向量Xi，得到相對應(yīng)的多個(gè)不同的目標(biāo)向量Yi，這相當(dāng)于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程?？梢愿鶕?jù)實(shí)際分類需求訓(xùn)練記憶模式(Xi到對應(yīng)Yi的映射過程)，使得訓(xùn)練出的記憶模式與三維模型的特征分類標(biāo)準(zhǔn)分級對應(yīng)。而后將新的待分類的數(shù)據(jù)向量(即待識別模型的顏色視覺特征向量)作為初態(tài)輸入神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)參考己知的記憶模式樣本進(jìn)行聯(lián)想回憶，即由新給的初態(tài)X'回憶出某種原先已知的Y的功能。具體而言，網(wǎng)絡(luò)把初態(tài)X'看作一種新的提示模式(即發(fā)生某些變形和含有噪聲的記憶模式)，從而通過已知的記憶模式完成迭代演化，使得初態(tài)X'收斂到離自身"最接近"(與初態(tài)向量的形式和數(shù)值相差最小甚至相差為零)的已知向量X所對應(yīng)的目標(biāo)向量Y之處，這樣就將新的X'演化成了某一種已知的目標(biāo)向量Y。因此，反饋型Hopfield網(wǎng)絡(luò)分類識別出三維物體的模式分類過程就是由記憶和聯(lián)想回憶兩個(gè)相輔相成的子過程組成的。該神經(jīng)網(wǎng)絡(luò)輸出步驟(六)中預(yù)先定義的目標(biāo)向量Pi、P2、P3中的一個(gè)，用來判定輸入的三維模型所屬的類別(A、B、C之一)情況。(九)、所有步驟結(jié)束。視覺特征的識別完成后，通過分析決策結(jié)果能夠評價(jià)所采用的神經(jīng)網(wǎng)絡(luò)模擬人腦的處理能力，也就是根據(jù)人眼視覺感知的色彩分辨能力，用戶可以對三維模型識別系統(tǒng)的分類結(jié)果做出主觀的評價(jià)。決策較好代表模型的分類輸出結(jié)果符合人腦感知的分類結(jié)果，表明選擇的神經(jīng)網(wǎng)絡(luò)形式較好，量化傳感器制定的量化規(guī)則合理，所提取的特征是三維物體本身所含有的更有代表性的視覺特征。因此，為了提高神經(jīng)網(wǎng)絡(luò)決策能力還可以采用比二值規(guī)則復(fù)雜的多值量化規(guī)則，以實(shí)現(xiàn)三維模型的更多方面的分類識別需求。此處詳細(xì)例舉本發(fā)明設(shè)計(jì)的一個(gè)基于H叩field網(wǎng)絡(luò)的VRML三維模型顏色分類器的實(shí)施方式。由于VRML模型中的外部光源的反射顏色(DifiUsecolor)、鏡面反射的顏色(Specularcolor)、幾何形體自身發(fā)射的光線顏色(Emissivecolor)是物體真實(shí)感表達(dá)的典型顏色信息，因此本發(fā)明首先針對材質(zhì)顏色的反射屬性(Diffiasecolor)判斷RGB三原色的含量，進(jìn)而分辨模型材質(zhì)顏色方面的紅、綠、藍(lán)色彩傾向。下面結(jié)合附圖對本發(fā)明實(shí)例進(jìn)行詳細(xì)說明。如圖1所示，是對彩色三維模型進(jìn)行識別的整體流程。(1)圖l中的步驟l是初始動(dòng)作，獲取具體的玩具積木的實(shí)物產(chǎn)品。本實(shí)施事例獲取了一系列基本幾何造型的彩色玩具積木模型，可見圖5a所示。(2)使用三維掃描設(shè)備將這些積木模型掃描入計(jì)算機(jī)中，并使用虛擬現(xiàn)實(shí)建模工具描述這些積木的形狀、顏色、材質(zhì)等屬性，生成VRML模型文件(VirtualRML即虛擬建模語言，遵照該建模標(biāo)準(zhǔn)描述的模型文件一般是后綴名為.wrl、.x3d的文件，該標(biāo)準(zhǔn)廣泛應(yīng)用于現(xiàn)今的互聯(lián)網(wǎng)和工業(yè)仿真領(lǐng)域)，并存儲(chǔ)于計(jì)算機(jī)中。(3)采用常用數(shù)據(jù)庫軟件(例如，MySQL數(shù)據(jù)庫軟件)為步驟(2)存儲(chǔ)的VRML模型造型文件建立積木玩具的三維模型數(shù)據(jù)庫。(4)從玩具積木三維模型數(shù)據(jù)庫中逐一讀取每個(gè)模型對應(yīng)的VRML造型文件，將造型文件輸入特征提取模塊，采用特征提取算法獲得積木模型的特征數(shù)據(jù)。此實(shí)施事例中主要是獲取造型文件中的Material節(jié)點(diǎn)描述的顏色域(Color)中的顏色屬性值，即提取材質(zhì)色彩(Diffiisecolor)的RGB數(shù)值，并將該數(shù)值存儲(chǔ)到材質(zhì)顏色特征向量中。當(dāng)所有積木模型提取結(jié)束后，形成材質(zhì)顏色的特征數(shù)據(jù)庫。(5)三維積木模型的顏色分類器的包含模塊如圖3設(shè)計(jì)，該模塊組成圖結(jié)合整體的識別流程圖具體將顏色分類器實(shí)現(xiàn)材質(zhì)顏色分類的步驟實(shí)施如下(6)將步驟G)中存儲(chǔ)的積木模型的材質(zhì)顏色特征數(shù)據(jù)輸入量化傳感器，用以定義出顏色分類模型的三元組特征目標(biāo)向量。具體實(shí)現(xiàn)是采用Diffi!seColor字段中的RGB顏色特征向量對模型進(jìn)行分類，需要定義三個(gè)目標(biāo)向量Red類(P,)、Green類(P2)、Blue類(P3)形成顏色特征空間，分類同時(shí)要考慮RGB各個(gè)分量占的色彩比重以歸類模型的顏色偏向。根據(jù)二值量化規(guī)則定義積木模型的材質(zhì)顏色的三元組特征向量的目標(biāo)向量為<table>tableseeoriginaldocumentpage12</column></row><table>(7)在Matlab環(huán)境中建立反饋型H叩field神經(jīng)網(wǎng)絡(luò)的分析模塊。步驟(6)中定義的目標(biāo)向量是神經(jīng)網(wǎng)絡(luò)判別積木模型顏色類別的指標(biāo)。本發(fā)明采用由標(biāo)準(zhǔn)Hopfield網(wǎng)絡(luò)變體后簡化構(gòu)造的Hopfield網(wǎng)絡(luò)結(jié)構(gòu)，其網(wǎng)絡(luò)構(gòu)造如圖4所示，其中w為加權(quán)矩陣，b為偏差向量，為內(nèi)積運(yùn)算，[Zl為傳遞函數(shù)，r^i為網(wǎng)絡(luò)延遲。由于分類方法的關(guān)鍵過程是將積木模型的顏色向量輸入Hopfield網(wǎng)絡(luò)進(jìn)行分析，當(dāng)神經(jīng)網(wǎng)絡(luò)最終收斂到步驟(2)中定義的三個(gè)目標(biāo)向量之中的某一個(gè)向量的時(shí)候，就表明神經(jīng)網(wǎng)絡(luò)的狀態(tài)達(dá)到穩(wěn)定，判定輸出的結(jié)果向量與這個(gè)目標(biāo)向量一致，此時(shí)輸出該目標(biāo)向量就完成了顏色分類。因?yàn)闊o論對于模式P卜P2、P3都要求調(diào)整Hopfield網(wǎng)絡(luò)中加權(quán)矩陣和偏差向量的參數(shù)使輸出結(jié)果最終正確快速地趨于收斂。因此根據(jù)前向反饋層的加權(quán)值是原型模式來設(shè)置網(wǎng)絡(luò)的(W，b)參數(shù)組合，對satlin()傳遞函數(shù)具體代入權(quán)值矩陣和偏差值參數(shù)<table>tableseeoriginaldocumentpage12</column></row><table>(8)Hopfield神經(jīng)網(wǎng)絡(luò)對顏色屬性進(jìn)行分類的迭代決策過程。由于分別輸入總共30個(gè)需要分類的彩色玩具積木三維模型的材質(zhì)顏色(DiffiiseColor)中的RGB顏色特征向量給神經(jīng)網(wǎng)絡(luò)分析，因此，經(jīng)過Hopfield網(wǎng)絡(luò)的傳遞函數(shù)不斷向穩(wěn)定狀態(tài)迭代，就使得RGB元素值在一定時(shí)間和范圍內(nèi)到達(dá)規(guī)定的上限/下限閾值。根據(jù)傳遞函數(shù)satlin()的值域性質(zhì)，所有元素的閾值范圍在本實(shí)施例中設(shè)定在[O，l]范圍內(nèi)，也就說對一個(gè)具體的代表模型色彩的RGB顏色特征向量，向量中的每一個(gè)元素的數(shù)值上限約束為l，下限約束為0，元素值大于l則下降為l，值小于O則上升為O,值在O-l之間則與兩個(gè)邊界相比較并選擇接近的那個(gè)數(shù)值，若恰巧在中間則隨機(jī)選擇。同時(shí)，實(shí)際的顏色向量的三個(gè)元素最終收斂的形式也被限制在步驟(6)所定義的三種目標(biāo)向量的形式范圍內(nèi)，即只能輸出Pi、P2、P3三種形式的向量，這樣才能夠確定識別模型色彩屬于紅(A)、綠(B)、藍(lán)(C)之中的哪一類。Hopfield網(wǎng)絡(luò)中的神經(jīng)元通過輸入向量初始化，然后網(wǎng)絡(luò)反復(fù)迭代，直到輸出向量收斂停止迭代。當(dāng)神經(jīng)網(wǎng)絡(luò)正確操作的時(shí)候，作為一個(gè)復(fù)雜的非線性動(dòng)力系統(tǒng)，系統(tǒng)的穩(wěn)定性采用能量函數(shù)E(Liapunov函數(shù))判斷。在滿足一定條件下，網(wǎng)絡(luò)的能量不斷減小，最后收斂于系統(tǒng)的穩(wěn)定點(diǎn)。即P,、P2、P3向量中的可用于判斷的那一維顏色的元素?cái)?shù)值將不斷增加直至達(dá)到上限閾值l;否則元素?cái)?shù)值將不斷下降直至到達(dá)下限閾值0;元素?cái)?shù)值穩(wěn)定不再變化時(shí)，表明網(wǎng)絡(luò)收斂，停止迭代運(yùn)算。具體以mj模型為例，mj號積木模型的材質(zhì)顏色為,其顏色特征向量在Hopfield網(wǎng)絡(luò)中被識別的收斂過程如下W=[1.200;01.20;001.2];b=;RGB=;(mj號模型原色彩)p=[-0.53;0.54;隱0.41];a(O)=[-0.53;0.54;-0.41];(初始狀態(tài))a(l)=satlin(W*a(0)+b)a(2)=satlin(W*a(l)+b)a(3)=satlin(W*a(2)+b)a(4)=satlin(W*a(3)+b)a(l)=;a(2)=;a(3)=;a(4)=;(穩(wěn)定狀態(tài))可見，m—l號積木模型被識別為屬于綠色類的模型，從圖5b看出是符合人眼感知的正確的分類結(jié)果(為了便于識別，附圖相應(yīng)色彩下加上了文字)。(9)基于Hopfield神經(jīng)網(wǎng)絡(luò)逐一運(yùn)算三維積木模型的材質(zhì)顏色屬性，最終得到每一個(gè)彩色積木模型的顏色識別結(jié)果，完成色彩分類后流程結(jié)束。根據(jù)反饋型H叩fidd網(wǎng)絡(luò)的記憶與聯(lián)想功能，步驟(8)中描述的祌經(jīng)網(wǎng)絡(luò)迭代演變過程結(jié)束后，即得到彩色模型的分類結(jié)果。如圖5a和圖5b中來自虛擬現(xiàn)實(shí)工具為30個(gè)彩色積木玩具建模的三維模型所示，左邊的排列是這些積木玩具原來的未經(jīng)顏色識別的隨意排列次序，對其標(biāo)注了m—1至m—30的標(biāo)號，為便于和識別后的分類結(jié)果對比，圖中粗略地對這些模型標(biāo)注了根據(jù)人眼感知的色彩屬性。而圖5a和圖5b中右邊的模型次序是通過神經(jīng)網(wǎng)絡(luò)對這些積木玩具完成了材質(zhì)顏色識別后的紅、綠、藍(lán)顏色偏向的排序。可以看到顏色識別效果與人眼的視覺感知是較類似的，色彩分類的結(jié)果是比較明顯且較為正確的。歸結(jié)上面的說明內(nèi)容，本專利在三維模型的視覺特征(主要針對顏色屬性)的識別分類方面是有一定用途的。因?yàn)樵谌S模型檢索的實(shí)際應(yīng)用中真實(shí)感虛擬三維模型所含的特征量更為復(fù)雜多樣，所以利用神經(jīng)網(wǎng)絡(luò)來協(xié)助分類具有色彩信息的三維模型是一條有效的思路；因此用戶就可以通過本發(fā)明所述的整套方法采用三維掃描設(shè)備、虛擬造型軟件、神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)的聯(lián)合運(yùn)用實(shí)現(xiàn)對更多領(lǐng)域中三維模型基于顏色識別的分類，比如，農(nóng)產(chǎn)品檢測中的水果成品挑揀，工業(yè)勘13探中的礦產(chǎn)鑒定，道路交通中的背景物體識別等等，這在實(shí)際的商品實(shí)物檢索中將是有一定功用的。本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法的思路，具體實(shí)現(xiàn)該技術(shù)方案的方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本實(shí)用新型的保護(hù)范圍。本實(shí)施例中未明確的各組成部份均可用現(xiàn)有技術(shù)加以實(shí)現(xiàn)。權(quán)利要求1、一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，其特征在于，該方法包括以下步驟(1)通過三維掃描設(shè)備或虛擬建模軟件獲取針對實(shí)際物體的三維模型；(2)建立三維模型數(shù)據(jù)庫，將上步中獲取的三維模型文件存儲(chǔ)到三維模型數(shù)據(jù)庫中；(3)讀取三維模型數(shù)據(jù)庫中用于訓(xùn)練識別的模型數(shù)據(jù)集合，將讀取的模型數(shù)據(jù)集合輸入三維模型特征提取模塊提取三維模型的顏色特征；(4)從模型特征數(shù)據(jù)庫中，讀取三維模型顏色方面的特征數(shù)據(jù)；(5)制定顏色特征的量化傳感器；(6)得到代表三維物體顏色特征的三元組顏色特征向量；(7)建立神經(jīng)網(wǎng)絡(luò)分析模塊，并調(diào)整網(wǎng)絡(luò)參數(shù)；(8)通過神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色特征向量的決策運(yùn)算；(9)根據(jù)神經(jīng)網(wǎng)絡(luò)的判別公式，神經(jīng)網(wǎng)絡(luò)輸出對三維模型的顏色分類的識別結(jié)果。2、根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，其特征在于，所述三維模型為含有光照色彩信息的三維模型，其顏色屬性包含外部光源的反射顏色、鏡面反射的顏色、幾何形體自身發(fā)射的光線顏色，通過采用三元組特征向量描述，將顏色屬性分別在該RGB單位立方體空間的三個(gè)色彩維度上進(jìn)行量化。3、根據(jù)權(quán)利要求2所述的一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，其特征在于，神經(jīng)網(wǎng)絡(luò)的輸入向量為三維向量。4、根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，其特征在于，步驟(3)中三維模型的顏色識別規(guī)則為二值規(guī)則。5、根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，其特征在于，步驟(7)中網(wǎng)絡(luò)參數(shù)包括權(quán)值矩陣W和偏差向量b。6、根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，其特征在于，步驟(7)中神經(jīng)網(wǎng)絡(luò)為單層感知器網(wǎng)絡(luò)或者反饋型Hopfield網(wǎng)絡(luò)。7、根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，其特征在于，步驟(5)中所述顏色特征的量化傳感器根據(jù)所獲取的顏色屬性的數(shù)值范圍制定分類量化規(guī)則。全文摘要本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的彩色三維模型的顏色分類方法，通過三維掃描設(shè)備或虛擬建模軟件獲取針對實(shí)際物體的三維模型；建立三維模型數(shù)據(jù)庫，將上步中獲取的三維模型文件存儲(chǔ)到三維模型數(shù)據(jù)庫中；讀取三維模型數(shù)據(jù)庫中用于訓(xùn)練識別的模型數(shù)據(jù)集合，將讀取的模型數(shù)據(jù)集合輸入三維模型特征提取模塊提取三維模型的顏色特征；從模型特征數(shù)據(jù)庫中，讀取顏色方面的特征數(shù)據(jù)；制定顏色特征的量化傳感器；得到代表三維物體顏色特征的三元組顏色特征向量；建立神經(jīng)網(wǎng)絡(luò)分析模塊，并調(diào)整網(wǎng)絡(luò)參數(shù)；通過神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色特征向量的決策運(yùn)算；根據(jù)神經(jīng)網(wǎng)絡(luò)的判別公式，輸出識別結(jié)果。本發(fā)明能夠有效對物體不同類別的顏色進(jìn)行分類。文檔編號G06F17/30GK101436302SQ20081024361公開日2009年5月20日申請日期2008年12月10日優(yōu)先權(quán)日2008年12月10日發(fā)明者楊育彬,偉韋申請人:南京大學(xué)