本发明涉及多媒体信息的，特别涉及一种三维模型感知哈希算法。
背景技术：
1、在数字化时代的浪潮中，3d模型作为一种重要的数字资产，正逐渐在各个领域展现出其不可或缺的价值。然而，随着3d打印技术的飞速发展和广泛应用，如何有效地认证和保护3d模型资产的产权，已成为业界和学术界关注的焦点。
2、鉴于3d模型的数字化特性，对其进行准确的认证变得尤为重要。由于3d模型可能经历旋转、平移和缩放等操作，这些变换无疑增加了模型认证的难度。然而，确保3d模型的唯一性和真实性对于保护创作者和生产者的权益至关重要。这种复杂性要求我们开发更先进的模型认证技术，以防止非法复制、篡改和盗用，从而保障3d模型创作者和生产者的经济利益。因此，模型认证问题在当前的数字化环境中显得尤为紧迫。
技术实现思路
1、针对现有技术中存在的不足之处，本发明的目的是提供一种三维模型感知哈希算法，能够有效应对由于旋转、平移和缩放等操作带来的模型识别挑战,对输入的obj文件进行处理，确保即使在模型发生变换的情况下，其版权仍能得到有效保护。为了实现根据本发明的上述目的和其他优点，提供了一种三维模型感知哈希算法，包括：
2、s1、输入需要处理的三维模型；
3、s2、通过计算三维模型中顶点的尖锐度来识别关键点；
4、s3、从初始模型的顶点集合中去除已选关键点和剔除的顶点，生成精选点集；
5、s4、将步骤s2的关键点与s3中的精选点进行合并，以形成一个更为全面且富含关键信息的点集；
6、s5、通过主成分分析获得步骤s4中点集的主成分方向，使得到的前三个主成分作为新的坐标轴，并将点集数据在新的坐标系下的表示得到新的点集；
7、s6、上述步骤点集找到一个最小包围球使得所有点都在球上或球内；
8、s7、将步骤s6中平移后的点集投影到包围球球面上；
9、s8、计算s7中得到的点集中每个顶点的深度信息；
10、s9、通过保持弧度的等角投影方法将步骤s5得到的点集投影到二维平面上；
11、s10、生成深度图像；
12、s11、计算图像的局部二值模式lbp特征值，构建lbp矩阵，统计每个块的lbp直方图，连接所有直方图向量，最后得到感知哈希序列h；
13、s12、通过计算模型提取的感知哈希序列的欧几里得距离，对其进行感知内容认证。
14、优选的，步骤s1中尖锐度是通过分析顶点参与组成的面之间的法线夹角来确定的，假设三维模型中的某个顶点v参与组成了n个面，这些面记为f1,f2,…,fn,对于任意两个相邻的面fi和fj，其中i≠j，计算它们的法线和之间的夹角θij,所有相邻面夹角的总数为q；对于顶点v,计算所有相邻面法线夹角θij(其中i≠j,且fi和fj是相邻面)中大于某个阈值θthresh的数量，记为m，如果m>q/2，即大于所有相邻面夹角的总数的一半，则认为顶点v具有较高的尖锐度，并将其选为关键点，即：
15、
16、则v是关键点。其中，[θij>θthresh]是一个指示函数，当θij>θthresh时取值为1，否则取值为0。
17、优选的，步骤s2具体为从初始的模型顶点集合中去除步骤1中已选取的关键点，接着对剩余的顶点进行最近邻计算，选取每个顶点的最近邻距离的中位数的倒数作为估算密度；对于每个剩余的顶点v，计算与其他顶点的距离，并找出其k个最近邻顶点，k是一个预设的参数；计算k个最近邻距离的中位数dimed；其中dij是顶点vi和其第j个最近邻顶点之间的距离，中位数dimed需要对k个最近邻距离进行排序后取得，使用最近邻距离的中位数的倒数作为每个顶点的估算密度ρi，对所有顶点的估算密度进行统计分析，计算其中位数ρmed作为阈值；将估算密度ρi高于阈值ρmed的顶点选出，并根据其估算密度值进行从高到低的排序。
18、优选的，如果估算密度相同则使用最近邻距离平均值的倒数作为次要的排序依据；对于排序后的高密度点集，按顺序提取不相交的点，并确保这些点与它们关联的邻域内的顶点也不重叠；对提取到的不相交高密度点集中的每个点关联的邻域内顶点进行进一步分析，根据距离剔除指定位置的顶点；在初始的模型顶点集合中去除步骤1中选取的关键点以及上述剔除的顶点，得到精选点集。
19、优选的，步骤s5具体为得到的点集的主成分方向，使得到的前三个主成分作为新的坐标轴，并将步骤4得到的点集在新的坐标系下的表示得到新的点集。
20、优选的，步骤s10中在创建深度图像的过程中基于步骤s8投影到xoy平面上的点集，选择一个以原点为中心的正方形区域，该区域能够确保包含所有的投影点，并将其划分为网格，假设投影到xoy平面上的点集为s,我们选择一个正方形区域r来包含所有的点，并将其划分为n*n的网格，n＝256，对于每个网格(i,j)，定义其深度值dij为该网格内所有投影点深度信息的最大值；假设网格(i,j)内的投影点集合为sij,则：
21、
22、其中，depth(p)表示点p的深度值。
23、优选的，步骤s11具体为对图像中的每一个像素(x,y),其lbp值lbp(x,y)是基于其邻城像素的灰度值来计算的。假设考虑的是n*n的邻域,则lbp值的计算为：
24、
25、其中：
26、p是邻域像素的数量。gc是中心像素(x,y)的灰度值；gp是邻城中第p个像素的灰度值。s(x)是一个符号函数，定义为：
27、
28、将lbp矩阵划分为m*m个非重叠的块，然后对每个块内的lbp值进行统计；构建一个长度为2p的直方图来统计每个lbp值(0到(2p-1))在块中出现的次数；
29、设hk(i)为第k个块中lbp值i(i的取值范围0到(2p-1))的出现次数，则hk是一个长度为2p的向量；将所有直方图向量连接形成最终的lbp特征。
30、
31、最终的感知哈希序列hh的长度是2p*m2。
32、优选的，步骤s12中假设待检测模型的感知哈希序列是一个n维向量，记为h1＝(h11,h12,…,h1n)；已知模型的感知哈希序列也是一个n维向量，记为h2＝(h21,h22,…,h2n)；预设的阈值，记为t，通过计算哈希序列的欧几里得距离进行感知内容认证，如果d(h1,h2)<t,则认为两个模型感知相似。
33、本发明与现有技术相比，其有益效果是：针对3d模型文件的顶点数据量大不易处理的问题，本发明通过对模型顶点数据筛选出关键点和精选点，去除模型中对模型结构和形状描述冗余的点，然后将关键点和精选点通过两次投影得到一张灰度图像，最后将灰度图像映射到固定长度的哈希序列中，极大节省了存储成本。能够有效应对由于旋转、平移和缩放等操作带来的模型识别挑战。该方法基于先进的图像处理和特征提取技术，对输入的obj文件进行处理，确保即使在模型发生变换的情况下，其版权仍能得到有效保护。
1.一种三维模型感知哈希算法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种三维模型感知哈希算法，其特征在于，步骤s1中尖锐度是通过分析顶点参与组成的面之间的法线夹角来确定的，假设三维模型中的某个顶点v参与组成了n个面，这些面记为f1,f2,…,fn,对于任意两个相邻的面fi和fj，其中i≠j，计算它们的法线和之间的夹角θij,所有相邻面夹角的总数为q；对于顶点v,计算所有相邻面法线夹角θij(其中i≠j,且fi和fj是相邻面)中大于某个阈值θthresh的数量，记为m，如果m>q/2，即大于所有相邻面夹角的总数的一半，则认为顶点v具有较高的尖锐度，并将其选为关键点，即：
3.如权利要求2所述的一种三维模型感知哈希算法，其特征在于，步骤s2具体为从初始的模型顶点集合中去除步骤1中已选取的关键点，接着对剩余的顶点进行最近邻计算，选取每个顶点的最近邻距离的中位数的倒数作为估算密度；对于每个剩余的顶点v，计算与其他顶点的距离，并找出其k个最近邻顶点，k是一个预设的参数；计算k个最近邻距离的中位数dimed；其中dij是顶点vi和其第j个最近邻顶点之间的距离，中位数dimed需要对k个最近邻距离进行排序后取得，使用最近邻距离的中位数的倒数作为每个顶点的估算密度ρi，对所有顶点的估算密度进行统计分析，计算其中位数ρmed作为阈值；将估算密度ρi高于阈值ρmed的顶点选出，并根据其估算密度值进行从高到低的排序。
4.如权利要求3所述的一种三维模型感知哈希算法，其特征在于，如果估算密度相同则使用最近邻距离平均值的倒数作为次要的排序依据；对于排序后的高密度点集，按顺序提取不相交的点，并确保这些点与它们关联的邻域内的顶点也不重叠；对提取到的不相交高密度点集中的每个点关联的邻域内顶点进行进一步分析，根据距离剔除指定位置的顶点；在初始的模型顶点集合中去除步骤1中选取的关键点以及上述剔除的顶点，得到精选点集。
5.如权利要求4所述的一种三维模型感知哈希算法，其特征在于，步骤s5具体为得到的点集的主成分方向，使得到的前三个主成分作为新的坐标轴，并将步骤4得到的点集在新的坐标系下的表示得到新的点集。
6.如权利要求1所述的一种三维模型感知哈希算法，其特征在于，步骤s10中在创建深度图像的过程中基于步骤s8投影到xoy平面上的点集，选择一个以原点为中心的正方形区域，该区域能够确保包含所有的投影点，并将其划分为网格，假设投影到xoy平面上的点集为s,我们选择一个正方形区域r来包含所有的点，并将其划分为n*n的网格，n＝256，对于每个网格(i,j)，定义其深度值dij为该网格内所有投影点深度信息的最大值；假设网格(i,j)内的投影点集合为sij,则：
7.如权利要求1所述的一种三维模型感知哈希算法，其特征在于，步骤s11具体为对图像中的每一个像素(x,y),其lbp值lbp(x,y)是基于其邻城像素的灰度值来计算的；假设考虑的是n*n的邻域,则lbp值的计算为：
8.如权利要求1所述的一种三维模型感知哈希算法，其特征在于，步骤s12中假设待检测模型的感知哈希序列是一个n维向量，记为h1＝(h11,h12,…,h1n)；已知模型的感知哈希序列也是一个n维向量，记为h2＝(h21,h22,…,h2n)；预设的阈值，记为t，通过计算哈希序列的欧几里得距离进行感知内容认证，如果d(h1,h2)<t,则认为两个模型感知相似。
