[发明专利]一种基于特征的自顶向下从图像建模的方法

说明书

技术领域

本发明涉及一种从多幅图像恢复三维模型的方法，可以用于三维测量，也可以用于静态目标数字化、运动过程重建等领域。

背景技术

随着社会现代化程度的不断进步和物质文化生活水平的不断提高，图像建模的技术越来越成熟，应用领域越来越广泛，在立体视频、三维动画、脚型测量、人脸重建、身份识别、运动分析等领域具有巨大的潜在价值。但不同的技术有不同的优缺点，如激光扫描、结构光投影在重建远距离目标时容易得到平面化的模型，从自然光图像重建模型的过程中需要大量交互，增加了人力劳动。

发明内容

本发明所要解决的技术问题在于，提供一种无标记点、快速高效、使用简单、成本低廉的基于特征的自顶向下从图像建模的方法。为解决上述技术问题，本发明采用以下技术方案：

1) 从目标对象的外形特点出发，将形状特征和表面特征分开处理，对形状特征和表面特征进行特征化、层次化的结构描述，建立形状特征的层次化特征树，将表面特征依附于相应层次的形状特征上，并对特征树中的各个类型特征生成相应的统计规律；

2)获取目标对象的多视图像；

3)采用目标对象整体表面的统计变形模型拟合多视图像得到目标的粗估计模型；

4)重构目标对象的特征树；

5)重建各层次外形特征；

6)自顶向下重建各层次表面特征。

作为一种改进，所述重构目标对象的特征树包括以下步骤：将目标对象整体的粗估计模型转换为网格模型；设定并依据目标对象的层次化解构原则，在形状变化、相对运动的位置分割粗估计模型；根据不变矩识别部分特征，然后根据特征树中父子特征层次关系，识别部分父特征和子特征；根据已经识别的特征，采用EM算法计算贝叶斯统计概率，进行最大似然估计，匹配目标特征树与类型的特征树；采用启发式搜索，识别退化特征、蘖生特征、正常特征及特征间的连接关系，并进一步分析特征的属性；综合以上方法所识别的结果，重建特征树。

作为一种改进，所述重建各层次外形特征包括以下步骤：根据生成的目标对象特征树，从目标的粗估计模型估计下层次外形特征的初始参数，然后用各外形特征的统计变形模型拟合多视图像生成各层次外形特征；并按特征树的层次关系自顶向下重建各级外形特征，直到所有外形特征重建完成，得到半致密的外形模型。

作为一种改进，所述自顶向下重建各层次表面特征包括以下步骤：将初步模型用网格表示后，对特征树中的表面特征，按自顶向下的顺序重建，迭代以下操作直到满足终止条件，操作包括：①将外形特征投影到未被遮挡的各视图像；②按预定操作处理外形特征投影范围内的表面特征，首先按尺度检测特征，然后将特征切割成特征点；③匹配平面特征点并生成空间点，利用新增空间点细分网格。

作为一种改进，所述层次化解构原则包括以下部分：①将外形轮廓和表面特征分开，将表面特征看作是依附于外形特征的另一种特征；②对存在形状突变、相对运动的外形特征必须再次解构，因此目标对象解构成结构化的外形特征；③不再解构的基元特征，具有语义单一和表面形状简单的特点；                                                同层次的特征间容易区分，不变矩有较大差异。

作为一种改进，所述匹配平面特征点并生成空间点，利用新增空间点细分网格包括以下步骤：建立网格尺度与特征尺度的统计关系，使得特征尺度只有网格尺度1/3~1/5，并在迭代细分中保持这种比例基本不变，限制每个空间三角形所属新增空间点的数量；特征居于网格中心位置外的一定范围内，以使新增空间点不在投影三角形中心而靠近中心；对于居于三角形边缘的特征，采用对偶几何将特征变化到中间位置，限制在网格顶点投影附近的平面特征点生成新增空间点。

作为一种改进，对形状特征进行层次化、特征化的结构描述，采用自底向上的解耦方式，保证自顶向下耦合时能逐步致密化，同时形状具有自适应性，从下层特征的统计变形模型中抽取一定权重的形状因子，按特征树的概率模型结合，计算上层特征的统计变形模型；按同样的方法，计算更上层特征的统计变形模型，以及目标对象整体表面的统计变形模型；在重建目标时，从上层特征所提供的形状因子参数按特征树概率模型解耦，计算下层各特征的主要形状因子，然后再从多视图像中计算其余形状因子，得到更致密的目标模型。

作为一种改进，以网格投影分割图像所形成的三角形区域中不再有奇异点作为终止条件。

作为一种改进，各层次特征的外形特征都采用统计变形模型表达，并且按先基元特征后上层特征的顺序计算统计变形模型。