在从运动恢复结构(structure from motion,SfM)的过程中,无序影像间的匹配非常耗时,一方面受制于特征匹配本身,另一方面受制于大量的图像间匹配,其计算复杂度为O(n2)。为减少匹配次数,本文提出基于深度卷积特征(deep convolution featur...在从运动恢复结构(structure from motion,SfM)的过程中,无序影像间的匹配非常耗时,一方面受制于特征匹配本身,另一方面受制于大量的图像间匹配,其计算复杂度为O(n2)。为减少匹配次数,本文提出基于深度卷积特征(deep convolution feature,DCF)的影像关系表创建方法。首先利用在ImageNet上训练好的VGG-16卷积神经网络提取影像的卷积层特征图,然后对特征图进行和池化操作,最后将该向量归一化,作为图像的特征。通过向量点乘,计算数据集中的每张影像和其余所有影像的相似度,选取相似度最大的10张影像作为影像的潜在匹配像对,并由此构建影像关系表。结果表明,本文提出的DCF能够有效的创建影像关系表,找出潜在匹配像对。在Urban和South Building数据集上,基于DCF创建的关系表匹配的SfM重建的结果和穷举匹配的重建结果基本一致,但匹配次数分别减少97.4%和92.1%。同时基于DCF创建的关系表优于主流ORB-SLAM2系统中的DBoW3创建的关系表。展开更多
三维形变模型(3D Morphable Model,3DMM)和从运动中恢复结构(Structure From Motion,SFM)方法被广泛用于三维人脸重建.基于单视图进行三维人脸重建需要正视图和先验模型,会受到计算复杂度高、容易陷入局部极小值和易受姿态变化的影响....三维形变模型(3D Morphable Model,3DMM)和从运动中恢复结构(Structure From Motion,SFM)方法被广泛用于三维人脸重建.基于单视图进行三维人脸重建需要正视图和先验模型,会受到计算复杂度高、容易陷入局部极小值和易受姿态变化的影响.本文提出一种针对侧视图的三维人脸重建方法,首先对侧视图使用改进的三维形变模型,得到初始的三维人脸正视图及特征点;然后根据人脸对称性,得到侧视图对称的视图及对应的面部特征点;最后用SFM方法将正视图、原始视图和对称视图重建,得到稀疏三维模型.并用不同姿态的面部图片对该方法进行了评估,结果表明该方法比已有的方法对姿态变化更具鲁棒性.展开更多
文摘三维形变模型(3D Morphable Model,3DMM)和从运动中恢复结构(Structure From Motion,SFM)方法被广泛用于三维人脸重建.基于单视图进行三维人脸重建需要正视图和先验模型,会受到计算复杂度高、容易陷入局部极小值和易受姿态变化的影响.本文提出一种针对侧视图的三维人脸重建方法,首先对侧视图使用改进的三维形变模型,得到初始的三维人脸正视图及特征点;然后根据人脸对称性,得到侧视图对称的视图及对应的面部特征点;最后用SFM方法将正视图、原始视图和对称视图重建,得到稀疏三维模型.并用不同姿态的面部图片对该方法进行了评估,结果表明该方法比已有的方法对姿态变化更具鲁棒性.