非剛性運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)算法性能穩(wěn)定性問(wèn)題的研究.pdf

1、近年來(lái)，三維重構(gòu)技術(shù)已成為計(jì)算機(jī)視覺(jué)研究領(lǐng)域的一個(gè)重要分支，并被廣泛應(yīng)用到其他領(lǐng)域，如醫(yī)學(xué)圖像處理，機(jī)械產(chǎn)品診斷，機(jī)器人導(dǎo)航等。在眾多三維重構(gòu)算法中，從二維圖像特征點(diǎn)序列恢復(fù)變形物體的三維結(jié)構(gòu)以及運(yùn)動(dòng)信息的非剛性運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)(Non-rigid structure from motion: NRSFM)模型重構(gòu)方法，由于較方便且成本低，得到了廣泛的研究和應(yīng)用。
　　目前存在一些非剛性運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)模型的算法重構(gòu)效果較好，但也存在了些

2、問(wèn)題。一方面，物體運(yùn)動(dòng)過(guò)程中，由于遮擋、旋轉(zhuǎn)等因素，獲取的二維圖像序列中，部分幀的特征點(diǎn)信息不完整。對(duì)于有缺失分量的觀察值，進(jìn)行深度估計(jì)時(shí)，首先應(yīng)該進(jìn)行缺失值估計(jì)。目前存在的缺失值估計(jì)算法在小樣本情況下對(duì)缺失值的估計(jì)效果不理想，估計(jì)精度有待于進(jìn)一步提高。另一方面，三維運(yùn)動(dòng)恢復(fù)算法的參數(shù)變化時(shí)，運(yùn)動(dòng)恢復(fù)的結(jié)果也會(huì)相應(yīng)發(fā)生變化，因此會(huì)造成算法性能不穩(wěn)定，以及運(yùn)動(dòng)恢復(fù)效果不理想等問(wèn)題。
　　針對(duì)上述問(wèn)題，本文開展了以下兩方面的研究工作:

3、
　　第一，利用非剛性運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)模型的列空間擬合算法(column space fitting:CSF)，提出了一種基于樣本子空間的缺失值估計(jì)集成模型，來(lái)提高缺失值估計(jì)的精度。在我們提出的方法中，首先從原有的圖像序列中提取出部分子序列，并用CSF算法對(duì)各個(gè)子序列分別進(jìn)行缺失值估計(jì)。然后，建立線性規(guī)劃模型，計(jì)算最優(yōu)加權(quán)系數(shù)，對(duì)弱估計(jì)器得到的估計(jì)結(jié)果進(jìn)行線性加權(quán)，獲得的結(jié)果作為最終的估計(jì)值。第二，提出基于旋轉(zhuǎn)不變核算法(rotati

4、on invariant kernels: RIKs)的三維重構(gòu)集成方法，以降低參數(shù)變化造成的估計(jì)性能的波動(dòng)，并有效提高重構(gòu)的精度。在我們的工作中，首先對(duì)影響重構(gòu)結(jié)果的參數(shù)進(jìn)行網(wǎng)格化劃分，并分別把每一組參數(shù)值輸入到NRSFN-RIKs算法中，估計(jì)特征點(diǎn)的三維坐標(biāo)值。然后，對(duì)估計(jì)結(jié)果計(jì)算截尾平均，作為最終的重構(gòu)結(jié)果。
　　本文提出的兩種方法分別在多組被廣泛應(yīng)用的圖像序列上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，我們提出的算法，有效改善了目前方法存