论文部分内容阅读
利用二维图像,重构出三维的物体或者场景的三维重建技术,是计算机视觉领域的一个重要研究方向,广泛应用于各种应用场合。作为三维重建的一种有效实现途径,非刚性运动恢复结构(Non-Rigid Structure From Motion,NRSFM)技术能够利用二维图像序列的特征点,同时恢复物体的三维形状和相机的相对运动。由于非刚性形变的不确定性以及缺乏关于三维形状变形的先验信息,已有的NRSFM模型在精准性和鲁棒性上仍有待进一步提高。本文针对NRSFM模型的鲁棒性增强问题,结合相关约束,开展了以下三个方面的研究工作。(1)提出了一种基于局部偏差约束的列空间拟合方法,以降低部分特征点的估计结果可能显著偏离其真实值的问题。首先,在考虑了每帧的总体估计误差的基础上,设计了一个以重建误差的方差作为局部偏差的约束,以此构建一个有效的三维形状估计模型。然后,采用增广拉格朗日乘子迭代算法将有约束的目标函数转化为无约束的目标函数,并对此目标函数进行优化。此外,通过分析模型的可行解及参数的收敛性等问题,对此估计模型的优化部分进行了分析。由于利用了总体估计误差和局部偏差,所提出的方法,可以对不同的特征点,实现良好的估计性能和相对均匀的估计误差分布。实验结果及分析,验证了此估计模型不仅能有效的提高算法的精度,而且对噪声也能起到一定的抑制作用。(2)提出了一种基于一致性约束的 Procrustean Markov Process(PMP)模型,以及加速EM优化算法。首先,在PMP模型的初始化步骤中,构造了一个基于一致性约束的模型,以降低噪声对估计误差的影响。其次,设计了加速期望最大化算法(Accelerated Expectation Maximization,AEM),来优化 PMP 估计模型,提高算法的收敛速度。在多个广泛使用的序列的实验结果,证明了该算法的有效性和可行性。(3)针对形变较大的物体,提出了一种基于局部结构的核形状轨迹(KSTA)估计方法。首先,将具有拉伸和弯曲等相对较大形变的物体,分割成大量的具有相似轨迹的轨迹组,作为弱估计器KSTA模型的输入。对于弱估计器,设计了一个基于特征向量选择算法的自适应秩选择策略,以自动选取KSTA中的近似最优的秩参数。对于弱估计器的输出,利用基于l1范数的稀疏模型,获取三维形状的最终估计结果。实验证明,所提出的估计模型,对含有相对较大形变的物体,具有较高的精度和稳定性。通过以上三部分工作,可以有效降低不同特征点估计结果的局部偏差,减少噪声、形变的影响,从而显著增强非刚性运动恢复结构模型的鲁棒性。