1.一种基于多模态特征融合的三维对象融合特征表示方法,其特征在于，步骤如下：步骤(1)、通过多视图神经网络处理多视图三维信息；

通过多视图神经网络处理多视图三维信息；通过多个不共享权重的独立的CNN，分别输入多视图信息，再通过Max‑pooling，将多个CNN的输出统一到一个输出上，追加判别器进行模型的分类；

首先将三维模型数据转化成多视图数据，具体方式是在三维模型的中间水平面上，绕三维模型一周均匀摆放12个摄像头，拍摄一组共12张图片作为三维模型的多视图表示；然后通过OpenCV或者Pillow图像处理工具将每张图片都调整成256x256像素大小，再进行随机的224x224大小的区块的裁切；将处理后的图像，分别输入多个CNN模型中，CNN模型的输入层接收这些数据，随后进行多层的卷积操作，即通过卷积后再卷积的形式，不断抽取特征；最后，多个CNN都输出相同尺寸的卷积特征，利用max‑pooling操作将这些特征进行统一，具体的方式是在多个CNN的输出结果上，滑动pooling窗口，每个窗口都取各自的最大值作为这个窗口的计算结果，获得最终的全局多视图特征，通过判别器实现三维模型的分类，判别器采用基于全连接层的非线性分类器，是一个多项式，但是每一项中间会增加非线性函数实现分类器的非线性；

步骤(2)、点云的特征提取网络；

基于经典的点云处理网络模型，对点云数据进行特征提，具体如下：设具有n个点的F维点云表示为 F＝3并且每个点都在3D坐标中；首先通过3D空间变换网络计算仿射变换矩阵，仿射变换矩阵用于保持点云对几何变换不变；

然后采用EdgeConv作为基本层进行堆叠或循环应用于网络中；EdgeConv首先收集每个点的k近邻，然后通过卷积和最大池来提取每个点的局部边缘特征；

步骤(3)、网格数据的表示方法；

网格数据由多个元素组成，并且可以在它们之间定义连接,为简化网格数据组织，将面视为唯一的单元，并在两个面共享共同边缘时定义两个面之间的连接；将面部特征分为空间特征和结构特征，首先将网格数据的每一个网格面表示为“中心”，“顶点”，“法向量”和“邻接网格”四个属性，每个属性分别由1x3,1x9,1x3和1x3的向量进行表示；进行空间描述子和结构描述子的抽取；空间描述子为直接将“中心”向量乘以一个参数矩阵得到空间特征，结构描述子为通过“面旋转卷积”的形式进行特征抽取；所述的“面旋转卷积”，具体的计算方法是将“顶点”向量进行90度的旋转，旋转3次得到4个不同角度的表示，将4个不同角度的表示全部连接起来并乘以参数矩阵，然后通过pooling操作得到结构特征；获得空间描述子和结构描述子后，将其以及“法向量”和“邻接网格”属性表示在任意一个能够对齐的维度上进行连接，然后将连接后的投入MLP中输出全局特征；

步骤(4)、融合特征计算与输出；

首先取多视图和点云特征表示，他们分别记为分为原始模态特征A和用于融合的模态特征B；先将A和B做一个简单连接(concat)合成C，再将C投入MLP并结合归一化函数输出soft注意力掩模D；然后将原始模态特征A和soft注意力掩模D做矩阵乘法输出中间特征E，最后将E和原始模态特征A做乘法输出融合特征表示F’；将融合特征表示F’和网格特征表示G做一个简单连接(concat)合成H，再将H投入MLP并结合归一化函数输出soft注意力掩模I；

然后将融合特征表示F’和soft注意力掩模I做矩阵乘法输出中间特征J，最后将J和融合特征表示F’做乘法输出最终融合特征表示K。