1.一种基于特征融合和KNN的3D画智能分类算法，其特征在于：1)分别采用Lbp算法、Gist算法和Phog算法进行3D画图片特征提取得到对应的特征向量，2)将提取到的特征向量进行融合，得到融合特征；3)基于融合特征，采用KNN算法构建3D画智能分类器。

2.如权利要求1所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：在步骤1)中，将一张大小为M×N的3D画图像img通过旋转不变模式LPB算法提取若干个关键特征点，生成特征向量FVLBP。

3.如权利要求2所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：所述LPB算法具体如下

1.1A)以R为半径的P点邻域，gc为中心，gp为邻域点，区分邻域比中心亮度大还是小的方法是 式中s(x)＝1(x≥0),s(x)＝0(x<0)；

1.2A)在环形邻居的点集中，若中心像素的位置为(x,y)，则邻近像素点gi的位置计算为：

1.3A)对环形邻居集上的编码进行按右循环右移操作ROR，获得LBP旋转不变编码，取值最小的编码为最后的LBP编码。旋转操作如下：

1.4A)通过测度U将LBP编码中的U≤2的编码归为等价模式类，除等价模式类以外的模式都归为另一类，称为混合模式类，测度U定义为

1.5A)经过旋转和归一化，一幅图片的LBP特征是包含P+2个特征点。

4.如权利要求1所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：在步骤1)中，将一幅大小为M×N的3D画图像img通过Gist算法提取若干个关键特征点，生成特征向量FVGist。

5.如权利要求4所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：所述Gist算法具体如下

1.1B)将3D图相灰度化并缩放成128*128；

1.2B)将一幅大小为r×c的灰度图像f(x,y)划分成np*np规格的网格，则网格块数为ng＝np*np，各个网格块按行依次记作Pi，其中i＝1,2,...,ng；网格块的大小为r′×c′，其中r′＝r/np,c′＝c/np；

1.3B)分别用nc个通道的滤波器对图像进行卷积滤波，则每个网格块各通道滤波后级联的结果成为块Gist(PG)特征，即

其中(x,y)∈Pi，gmn(x,y)＝α-mg(x′,y′),α>1是多尺度多方向Gabor滤波器，x′＝α-m(xcosθ+ycosθ),y′＝α-m(-xsinθ+ycosθ),θ＝nπ/(n+1)， 式中x,y为图像像素坐标位置，σx,σy分别是x和y方向上高斯因子的方差，f0是滤波器中心频-m率，φ是该谐波因子的相位差，α 为母小波膨胀的尺度因子，θ为旋转角度，m为尺度数，n为方向数，GP的维数为nc×r′×c′；

1.4B)对GP各通道滤波结果取均值后按行组合的结果称为全局Gist(GG)特征，即其中 GG的维数为nc×ng。

6.如权利要求1所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：在步骤1)中，将一幅大小为M×N的3D画图像img通过PHOG算法提取若干个关键特征点，生成特征向量FVPHOG。

7.如权利要求6所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：所述PHOG算法具体如下

1.1C)选择第一层划分，划分成1*1小cells；

1.2C)计算每个cell中每个pixel的gradient，即式中Ix，Iy代表水平和垂直方向上的

梯度值，M(x,y),θ(x,y)分别表示梯度的幅度值和方向；

1.3C)将360度分割成8个bin，,每个bin包含45度，整个直方图包含8维,然后根据每个像素点的梯度方向，利用双线性内插值法将其幅值累加到直方图中,此时得到整幅图的小HOG特征为1*8＝8；

1.4C)选择第二层划分，划分成2*2小cells，回到1.2C)，直至整幅图的小HOG特征为4*8＝32，进入1.5C)；

1.5C)选择第三层划分，划分成4*4小cells，回到1.2C)，直至整幅图的小HOG特征为16*

8＝128,进入1.6)；

1.6C)选择第四层划分，划分成8*8小cells，回到1.2)，直至整幅图的小HOG特征为64*8＝512，进入1.7)；

1.7C)对四层小HOG特征进行归一化后级联，则得到总特征为8+32+128+512＝680。

8.如权利要求1所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：在步骤3)中基于融合特征使用KNN分类器对3D画数据集进行算法实验，具体为：数据集包括墙画、地画、墙地画和凹墙角；各分类随机选择一半样本作为训练数据集，余下的样本作为测试集数据，该随机抽样实验重复3次，取平均值作为报告结果；在训练过程中，距离度量为欧式距离。