基于单-多视图优化的足球球员三维姿态和体型估计

足球比赛场景的三维重建有助于观众自由切换视角,增加了互动性和沉浸感。针对足球比赛场景中的足球球员,提出一种三维姿态和体型估计方法。对球员的多视图图像使用训练好的部分注意力回归的三维人体估计(PARE)模型生成初始的三维姿态和体型估计,并使用人工标注的二维关节点作为优化目标。单-多视图优化操作利用蒙皮多人线性模型(SMPL)和正交投影的可微性,将球员的三维姿态和体型参数映射到二维关节点,计算其与人工标注之间的差异,再使用神经网络的反向传播算法更新三维姿态和体型参数,持续这些过程直到差异最小化。在自建的足球球员多视图数据集上的实验结果表明,该方法能够有效估计足球球员的三维姿态和体型,与人体网格恢复、在循环中优化SMPL、PARE等方法相比,二维关节点精度在单视图上提高了9.2%~37.5%,在多视图交叉验证中提高了34.9%~54.1%。

分组卷积编码的单视图三维重建算法研究

为了进一步提升单视图图像三维重建的精度,通过对当前的先进算法进行研究,提出了一种改进的单视图三维重建网络.该网络的编码器通过改进特征提取网络,获取更加丰富完整、深层次的二维特征.在精炼器的网络架构中引入注意力机制,进一步细化三维特征,使其生成更加精细的三维体素模型.另外在网络中添加阈值调整模块,来弥补不同种类图像之间的差异,以达到更好的重建效果.实验结果表明,该网络在公共数据集ShapeNet上三维重建的整体IoU值达到0.675,在单图像重建方面取得了更好的效果.

基于单视图的多姿态人脸识别算法

针对基于多视图的多姿态人脸识别方法的缺陷 ,即需要对每个人脸拍摄多个视图为前提条件 ,提出了基于单视图的多姿态人脸识别技术 .首先基于二元高次多项式函数最小二乘拟合方法由单视图通过变形生成多姿态人脸图像 ,然后基于该单视图和生成的多姿态图像进行多姿态人脸识别 .实验结果表明该文算法识别的正确率远高于经典算法 .

采用快速贝叶斯匹配追踪的单视图X射线发光断层成像

为了缓解单视图X射线发光断层成像中出现的不适定性问题,提出了一种结合区域迭代收缩策略的快速贝叶斯匹配追踪方法。该方法将贝叶斯模型和贪婪算法相结合,可以从较少的观测值中高效快速地恢复稀疏信号。为了进一步提高重建精度,将快速贝叶斯追踪与区域迭代收缩策略结合,简化了自适应有限元方法在网格划分和系统矩阵构建方面的复杂性,在缩减因子迭代缩小可行区域的同时,缓解了X射线发光断层成像逆向题求解中的病态性。为评估该方法的有效性,设计了仿真实验与真实物理仿体实验。仿真结果表明,本文方法在加快重建速度的同时,显著提高了纳米发光目标的定位精度和发光产额的定量结果,它们分别为0.73mm和0.79μg。真实物理仿体实验进一步验证了该方法在实际单视图X射线发光断层成像中的可行性。

基于单视图的多姿态人脸图像生成技术研究

该文提出了一种基于单视图或小样本的多姿态人脸图像生成技术,它首先利用一个特征点集表示人脸,然后基于二元高次多项式函数最小二乘方法对人脸各姿态之间的特征点集坐标变化进行拟合,形成全局的变形域,最后由单视图通过变形映射生成多姿态人脸图像。实验结果表明,利用单视图和生成的多姿态图像进行多姿态人脸识别,正确率得到大大提高,证明该文人脸图像生成技术十分有效。

基于深度学习的单视图三维重建方法的研究进展

单视图三维重建技术的研究是一个长期存在的不适定问题,随着深度学习的不断发展,基于深度学习的单视图三维重建问题得到了广泛的关注,近年来取得了显著进展。首先,从体素、点云、网格三种不同的三维模型表示形式概述了基于深度学习的单视图三维重建方法的研究进展。其次,归纳总结了目前国内外常用的三维重建数据集以及评价标准,并对一些经典方法按照不同指标进行对比分析。最后,针对三维重建在重建分辨率、重建评价指标以及现有数据集存在的问题,对未来三维重建的发展进行了展望,并探讨了三维重建技术中仍然面临的挑战及发展趋势。

一种基于单视图的可变焦相机标定方法

提出了一种新的可变焦相机的标定方法。它采用至少6个已知空间点用最小二乘获取投影矩阵的最优解,在计算投影矩阵的基础上,利用旋转矩阵的正交性和摄像机参数之间的约束关系,用单幅图像即可实现摄像机内外参数的恢复。模拟和真实实验结果均表明了本文算法的可行性和鲁棒性。

基于影灭点的单视图三维重构

提出了一种单视图三维重构方法,该方法需要用户提供图像点及其对应三维点之间的几何信息。由于结构场景有大量平面构成,存在大量的平行性和正交性约束,所以该方法主要应用于结构场景的三维重构。重构过程分为两部分:首先,基于三组互相垂直方向的影灭点,对方形象素摄像机进行定标;然后,基于用户提供的共面性和场景平面的影灭线,计算点的三维坐标。采用真实图像测试,说明该方法有效且简单易用。

单视图对称曲面建模及纹理提取

给出了镜面对称物体的水平图像等价于从另外一个位置拍摄图像的完整证明。利用物体中平行结构实现相机标定。在原始图像和水平翻转图像上匹配特征点,通过传统的基于运动的重建技术恢复特征点的位置。把特征点的位置、共面、共线、透视投影等作为约束,通过最小化线性约束下的二次目标函数实现曲面重建。最后采用基于重心坐标的加权纹理提取方法提取纹理图像。利用真实的图像验证了该方法的可行性。

基于参数模型和法线推理的单视图三维人体隐式重建

为了克服单视图三维人体重建中出现的伪影及肢体残缺现象,提出了一种基于参数模型和法线推理的三维人体隐式重建算法(Parametric⁃Model and Normal Inference,PMNI),该方法能够从单一RGB图像重建出包含服装的三维人体。网络的输入仅为一张包含人物全身的RGB图像,首先基于图卷积神经网络预测对应的SMPL参数模型,接着基于条件GAN(Generative Adversarial Networks)网络生成人物的后视图像,并分别从前后视图中提取法线特征,最后将它们作为深度隐式函数的额外参数辅助训练。实验结果表明,相较于传统方法,该方法有效提升了重建结果的整体质量和表面细节。得益于参数体和法线作为先验,该方法也可以很好地处理一些复杂人体姿态。

基于单文档多视图的监测系统界面的设计与实现

为了实现实时监测系统对多个分系统的同时监测和判断分析,在VC++6.0的软件平台上单文档多视图,采用窗口切分的方法设计界面,从CSplitterWnd类派生出一个自己设计的类,定义切分变量,并通过对CMainFrame类中的OnCre-ateClient()函数重载,实现窗口切分以及多窗口的通信,完成对多个分系统的同时监测。

Web仓储中的单视图一致性

Web仓储系统使用物化视图的方法管理和维护Web数据 ,它可以给用户的查询和分析带来更快的效率 ,特别适合联机分析处理 (OLAP)和决策支持 Web环境中数据更新非常频繁 ,为保持系统的时新性 (freshness) ,需要不断刷新物化视图 在Web视图刷新的过程中 ,必须保持物化视图与基础数据之间的一致性 (称为单视图一致性 ,SVC) ,否则系统中的数据就会产生错误 ,进而影响用户的正确使用 围绕这种单视图一致性 ,针对Web环境的特性 ,给出了相关保持算法 。

单视图摄像机自标定

首先定义基于模型的单视图情况下的单应性矩阵、外极线约束和基础矩阵,然后通过对基础矩阵的SVD分析,证明使用经其左奇异变换阵变换过的数据集合可最优地估计一个能解析地确定单应性矩阵的四维参数,并进而计算摄像机内参数阵、三维运动参数和目标三维结构,从而开发了一个基于目标模型的从单视图特征点集进行摄像机自标定和三维重建的线性算法。

基于单视图稀疏点的汽车三维模型重建

基于深度学习的图像识别模型训练需要大量数据,而不同角度的汽车视图数据难以在短时间内收集,为此提出一种利用单视图稀疏点的汽车三维模型重建方法,依靠少量数据也能得到精确的结果。创建了包含3000多张不同汽车品牌的多视角二维汽车图形数据集,并在TensorFlow框架下搭建了基于MobileNet V2网络和迁移学习的汽车视图角度识别系统,其结果能够进一步用于快速的模型匹配及重建;根据创建的汽车三维线框模型库以及二维关键点和三维模型的映射关系,利用带约束的最小二乘法求出模型库中不同模型对于重建的贡献量系数,直接由二维图片上稀疏的25个关键点生成三维模型。误差分析结果显示,重建的三维车身模型具有较高精度。

基于边缘检测的深度图与单视图配准算法

为解决由单视点图像和相关深度数据所创建的立体图像部分存在的重影问题,提出基于边缘检测的深度图与单视图配准算法。对单视图和深度图进行边缘检测得到各自的边界后,以单视图的边界为基准,配准深度图的边界及其邻域的深度数据。实验结果表明,该算法与已有的算法相比,匹配质量明显提高,使在立体图像中的重影现象得到了缓解。

在表单界面实现对视图记录的删除操作

在"基表-视图-表单"的三层模式中,存在着复杂的数据关系.文章探讨该模式下,通过表单界面删除视图数据的两种方法,并充分考虑数据的一致和用户操作的方便直观.视图记录的编辑、添加设计亦可从中得到借鉴.

人工关节磨屑的显微单视图深度估计方法研究

传统单视图三维重建方法不能满足人工关节磨屑三维信息提取要求,为提高重建精度,提出一种基于SA-UNet网络的人工关节磨屑显微单视图深度估计方法,实现从单一视图下磨屑三维信息的快速获取。该方法首先构建一个融合自注意力机制的U-Net深度估计网络,然后使用光学显微镜和激光共聚焦显微镜分别收集磨屑的二维图像和深度图,再通过图像语义分割提取目标磨屑区域,消除图像背景的干扰,最后利用透视变换使二维图像和深度图相对应,获得训练样本。采用该方法对TC4材料磨屑显微单视图进行深度估计,以激光共聚焦显微镜的三维信息作为参考。结果表明,该方法预测深度的平均相对误差为7.35%,均方根相对误差为3.93,效果优于U-Net、BTS和ACAN。

基于Visual C++单文档多视图程序设计方法

提出了一种在Ｖｉｓｕａｌ ｃ＋＋中进行单文档多视图程序设计的方法，解决了因Ｖｉｓｕａｌ ｃ＋＋的类向导不提供该种功能而需要手动添加代码时的疑难问题，使在Ｖｉｓｕａｌ ｃ＋＋环境中编制单文档多视图的应用程序得心应手。

基于多项式拟合的多姿态人脸图像的单视图识别技术

本文提出基于小波变换的人脸图像降噪模型并推荐建立一个只有一种姿态(正面)的人脸库。实际获取的不同姿态的人脸通过本文提出的方法(旋转,拟合等)校准成正面人脸进行识别,可大大减少人脸库容量,便于实现快速匹配、检索。

单视角下基于投影子空间视图的动作识别方法

针对单视角下深度相机跟踪关节点运动存在的自遮挡问题,提出一种基于投影子空间视图的人体动作识别方法。在不增加数据采集设备的情况下,通过子空间投影,将单视角下获得的三维动作序列投影到多个二维子空间中,在二维投影空间寻求最大类间距离,以尽可能增加基于多个子空间视图融合后的3D动作类间距离。在自建AQNU数据集的识别率为99.69%,较基准方法提升1.22%。在公共NTU-RGB+D数据集子集的识别率为80.23%,较基准方法提升1.98%。实验结果表明:本文方法可在一定程度上减少单视角数据集的自遮挡问题,提高识别率和计算效率,可达到与多视角数据集相当的识别效果。