文摘
动画图像三维重建技术和动画技术面临着在电脑graphics-related领域重要的研究。传统的三维重建技术对动画图像主要依靠昂贵的3 d扫描设备和大量耗时的手工后处理和要求扫描动画主题在相当时期内保持一个固定的姿势。近年来,大规模的计算机相关硬件计算能力的发展,特别是分布式计算,使得人们有可能想出一个实时、高效的解决方案。在本文中,我们提出一个multivisual动画图像的三维重建方法基于泊松方程的理论。校准理论用于校准multivisual动画图像,获得相机的内部和外部参数标定模块,从动画图像中提取特征点的每个观点利用角点检测算子,然后匹配正确提取的特征点采用最小平方中值法,并完成multivisual动画图像的三维重建。实验结果表明,该方法可以获得multivisual动画图像的三维重建结果快速、准确,具有一定的实时性和可靠性。
1。介绍
随着计算机图像技术的发展,计算机硬件的需求正变得越来越高。通常使用3 d模型来分析工业问题;三维采集和显示技术的进步也使丰富的几何对象。需要3 d模型重建技术固体丰富的几何性质(增长1]。泊松equation-based三维表面重建技术是用于研究的算法重建一个三角形的表面模型与固体表面几何信息对象的基于现有的三维点云模型与法向量信息。算法的步骤包括预处理输入点云信息与法向量信息,使离散全球问题,解决离散subdata,提取等效表面解决泊松问题后,和postoptimization处理。算法的三维表面重建、泊松表面重建算法结合了全球和本地方法的优点和使用隐式拟合获取地表信息的隐式方程所描述的点云模型的代表通过求解泊松方程,通过执行等效表面提取这个方程,获得最终所需的表面模型与丰富的3 d几何形体信息(2]。
模型重建的方法有水密关闭特性具有良好的几何表面性质和详细属性。本文开展了相关研究工作来解决一些固有缺陷在原始的泊松重建算法。首先,泊松重建算法的等效表面提取算法,模型洞问题是通过添加[大大提高3二元性处理和索引列表展开法。动画图像三维重建以及面部动画,是两个重要的类型的研究在计算机图形学领域。由于3 d模型复杂的空间结构和丰富的细微特征,动画图像的三维重建和面部动画技术已经成为计算机图形学领域的一个主要挑战。如今,该研究领域的动画图象识别可以达到好的结果在某种程度上,但在实际应用中,经常遇到各种问题,如角,姿势,化妆,和照明的动画图片,对识别效果有明显影响,和识别效果是令人担忧的4]。避免不必要的影响,这些因素在动画形象识别,提高识别精度,3 d动画图像重建中发挥着越来越重要的作用在动画图像识别的研究。
重建三维模型与详细的性格特性和实现更现实的面对动画技术,大量的研究方法已经被学术界和产业界提出并应用于卡通动画制作,影视特效制作,医学可视化、虚拟现实(VR),和其他领域,而会议3 d动画形象日益增长的需求模型,使得真实感三维人脸重建及相关动画技术逐渐成熟:优质face-driven动画影视特效技术需要捕捉演员的面部表情和语义信息和复制这些信息在虚拟角色模型如漫画。使用先进的3 d扫描和面部表情动作捕捉设备,可以创建逼真的面部动画效果在电影和游戏产品(5]。
2。相关工作
的高精度三维泊松方程的解,文献提出了一个multi-grid-based解决方案,结合一个紧凑的高阶差分逼近的multi-grid V-cycle算法求解二维泊松方程狄利克雷边界条件。这种方法,以及几种不同的网格和空间投影操作,显示显著改善与五点公式相比,计算精度在不同的机器上进行测试。直接点集的实体模型重建是解决表面重建提出了在文献中。本文提出如何重建一个有向点集成固体,水密模型和实体模型的文献计算本征函数用Stokes定理的方法。这个模型体内本征函数的值为1和0塑身(外6]。一个有效的方法是提出了计算本征函数的傅里叶系数,只使用取样表面信息和获得本征函数法向量计算傅里叶反变换,然后提取实体模型使用一个等变化表面提取技术。这种方法不需要建立复杂的采样点的邻近关系或大型系统的线性方程组的迭代解法并提出方法来修补postreconstruction洞。泊松表面重建提出了文学。这种重建方法不使用启发式空间分区或混合,但考虑了所有的点,因此噪声数据提供更好的韧性。与径向基函数(RBF(径向基函数)的方法,泊松方法允许一个层次结构,支持当地的基函数,所以这个解决方案的情况下具有相对良好的稀疏线性系统的支持。多尺度空间自适应算法描述在此基础上,与时间和空间复杂性与重构模型的大小成正比。
泊松表面重建算法在实际应用中使用的文学和重申。文献提出了一种并行泊松表面重建。这种方法分区多个网格域,并在实施时,他们比较模型与多个处理器数据分享和发现并行执行分布式存储提供了更好的可伸缩性。使用他们的方法,一亿年的数据点集可以并行处理处理器模型重建三台机器(12日7),数据显示提供的9倍多加速不牺牲重建的准确性。新的扫描和数据采集技术允许大幅增加表面重建数据集的大小。拟议的蒙面泊松表面重建算法在文献中篡改限制输入点云数据基于最初的泊松表面重建算法,和这个扩展可以解释为一个蒙面的广义表示泊松方程在数学意义上,屏蔽序列选择的地方,在一个稀疏的点集,而不是整个域相比其他图像和几何处理计算。本文发现,这些稀疏约束可以有效地处理。因为修改后的线性系统仍然保留相同的有限离散化元素,稀疏结构不变,系统仍然可以使用多重网格方法解决。同时,他们提出有效地降低时间复杂度的算法求解线性点的数量,因此现在快(8),更高质量的表面重建。文献提出了一种基于框架表面重建散射点云,隐函数曲面重建的算法,和该方法首先构建一系列的无向的表面到表面近似的层次结构,表示为径向基函数的加权组合。把当地隐藏块节点,全球一致的方向被视为图优化问题。这种方法可以遍历更指出,提高拟合精度和更新RBF的效率系数9]。
重建三维人脸模型领域的基于单一的二维图像,三维变形模型3数字提出了在文献中。经典统计模型的3 d的脸,3 dmm学习明确潜在的真实感三维人脸模型的先验知识的一种统计分析方法,代表了一种真实感三维人脸模型的线性组合的一组潜在的3 d人脸模型,在这组基本获得真实感三维人脸模型进行主成分分析(PCA)的密集排列3 d人脸模型。3数字将3 d重建问题作为一种三维模型到二维图像拟合问题。3 dmm-based迭代方法倾向于寻求解决方案在一个定义的参数空间统计模型三维面部和图像。类的方法从一组初始的参数值和基于特定的面部特征点的变化面对迭代更新参数,最后重建三维表面模型可以获得最优参数值。形成鲜明对比的方法寻求特定的参数空间的最优解,另一种方法基于相关分析首先执行一个特征空间的转换,进一步利用之间的联系真实感三维人脸模型和三维重建的图像和动画学习3 d重建面部特征的映射关系的动画图像真实感三维人脸的面部特征模型转换后的特征空间。
3所示。3 d动画图像重建方法基于泊松方程
本文着重介绍三维模型重建技术基于泊松方程的动画图像,利用回归方法,广泛应用于三维模型重建计算调整量的真实感三维人脸网格模型特征点位置信息变化的关键位置信息的脸的照片在二维空间中,并进一步预测真实感三维人脸模型特征点在面对2 d图像空间。自定义特征点拖动工具不断减少了误差之间的3 d动画形象的重构特征点的位置信息和位置信息真实感三维人脸模型的特征点在2 d图像映射,迭代优化重建真实感三维人脸模型。其中,位置信息之间的复杂映射关系的关键点在动画的三维重建图像和关键点的位置信息对应的真实感三维人脸模型主要研究,计算特征点的三维空间位置信息的3 d模型,即。,重建真实感三维人脸模型的用户(10]。泊松方程是偏微分方程在静电学、机械工程、数学和理论物理。泊松首先得到泊松方程没有引力源, (即拉普拉斯方程);当考虑引力场,有 (的质量分布是引力场)。之后,这是扩展到电场,磁场、热场的分布。方程通常是通过格林函数的方法来解决,它也可以解决分离变量的方法和特征线的方法。
3.1。泊松方程
泊松方程是由拉普拉斯方程,因此拉普拉斯方程密切相关;他们都是一个类型的偏微分方程。拉普拉斯方程,也称为求和方程,或潜在的方程,是一种偏微分方程,法国数学家拉普拉斯命名的,谁是第一个研究方程和得出的结论,可解析方程是在该地区,如果两个函数满足拉普拉斯方程(11),两个函数求和操作,可以是任何线性组合,求和的结果也满足方程表示。这个方程表示在图的基本原理1。
问题的解决方案是一个数学问题中经常遇到的电磁等相关科学领域,天文,水动力学说。一般来说,对于三维的情况,拉普拉斯方程的问题可以减少解决真正的独立变量的二阶可微的实函数,然后这个问题描述在以下表格12]。作为本文的第一个公式,它可以更好地描述在本文提到的泊松算法,可以更好的连接在文章中提到的公式。
正如上面的方程通常可以用一个简化的方式表达
基于泊松方程,这进一步延伸的概念基于泊松的三维重建算法动画图像。图2泊松算术图显示了框架。
3.2。泊松方程的解
有许多方法求解泊松方程,它一般可分为以下根据具体实现:直接的解决方法,迭代解法和多重网格解法(13]。(1)直接的解决方法
有很多方法可以直接解决泊松问题;典型的解决方法是分解方法。矩阵分解的原因是,当数据量非常大,将一个矩阵分解为若干个矩阵的乘积可以大幅节省存储空间,还可以大大减少计算当处理一个算法来处理真正的问题,因为更少的元素,它的完成时间相应更快。这是因为更少的元素的算法处理,需要越快完成操作(14]。公式的原理 (2)多重网格解法
许多学者广泛和深刻的研究了多重网格算法,解释多栅的的意义和基本原则,多重网格算法应用于许多领域,最后得到最优数值运算的效率。收敛性问题还好解决,今天是活跃在许多数值计算领域。广泛用于多个网格求解泊松方程,因为它们相对的解决方案速度快,尤其在解泊松方程由图形图像问题,无与伦比的其他方法。二维泊松方程:
迭代求解的方程组成的偏微分方程离散化后因为某个网格,它相对容易删除错误组件对应波长和网格的步长,所以多重网格求解泊松方程的问题是一个快速计算方法,主要使用网格细胞不同的规模大小、不同稀疏的网格细胞消除不同波长的误差分量,分别。它解决了粗网格修正的问题,主要是误差校正子问题在粗网格和细网格差分误差校正方法。大量的时间保证的主要运营工作粗糙的网格。的一个简单的多栅V-cycle误差平滑迭代也使用其他技术,如高斯-赛德尔方法或雅可比方法。获得平滑误差的一个近似方程的网格,这种插值需要添加到粗网格的误差校正首先网格插值的误差校正好(15]。(3)泊松方程屏蔽
屏蔽泊松方程仍然是一个类型的偏微分方程,以类似的形式。
为了不失去的一般性方程,该算法需要的价值非负,屏蔽泊松方程退化到泊松方程时的价值是零;也就是说,当
因此,在三维情况下,当的价值小,屏蔽泊松方程代表同源的加权叠加功能函数。
3.3。等值面提取的动画图像
相当于表面可视化方法是一个表面重建方法提取等效曲率分散点在绘图的过程中人体结构在三维空间数据场的形象。也广泛应用于表面重建的方法提取值等效表面散射点和从关键帧提取中间帧动画的方法。有很多表面轮廓提取的方法和技术,和下面的方法简要总结了表面轮廓提取的3 d空间数据字段(16]。(1)Contour-based等值面提取方法
轮廓跟踪是一个早期的表面轮廓提取算法,提取序列的专属感兴趣的轮廓线指定的用户根据需求,然后基于这些序列采样轮廓表面,利用三角曲面片追踪等值线属于同一个对象映射到相邻切片,通过提取每一个(17二维信息的轮廓线,从而获得等效表面由感兴趣的地区。的原则制定
这种方法所面临的问题是,对相邻切片,可能有复杂结构的情况下可能导致不可避免的大量的拼接错误,这是由于对应的一词多义在相邻切片轮廓线,也同样的切片,可能有多个不同的封闭轮廓线,所以连接在相邻切片轮廓线的方法面临着许多困难。切片的过程如图contour-based表面重建算法3。(2)分布等值面提取方法
最早的分布等值面提取方法是立方块方法(Cuberille) binarizes体积数据通过等效值,连接所有面临的外部边界面为每个体素(即。立方块),在边界,利用边界立方体的六个面的等效表面,去除只有边界数据集复制对方的脸(18),通过连接的面孔,不互相重叠。即使呈现的速度并不是一个问题,重建的呈现可以实现直接显示边界体素非透明的,没有消除内心的立方体的脸。公式的原理
该算法的特点是之间没有插值像素点,所以这是非常简单的实现和促进并行处理由于高度的独立性之间的数据。但方法面临的问题是,最终获得等效表面block-shaped表面组成的小型飞机相邻像素点互相垂直,这将有一个大步行表面信息表示19),不光滑,不反映对象的详细信息。表1显示分布的比较等效表面提取算法。
3.4。3 d动画图像重建技术的基础
重建过程包括各种各样的空间坐标系统,包括对象坐标系统,世界坐标系统,摄像机坐标系统,和屏幕坐标系统,对象的坐标系统对象的局部坐标系,即初始位置在应用任何坐标变换之前,和对象坐标可以映射到摄像机坐标系统通过翻译,旋转,缩放,以透视投影屏幕坐标系统或正交投影。具体复杂的空间变换关系的必要步骤3 d模型坐标变换,和一个清晰的转换想法往往使开发更加高效。而不是一个固定的参数真实感三维人脸模型,本文使用了一个3 d回归算法(20.),学习input-to-output映射关系用一个动画的三维重建图像作为输入和真实感三维人脸模型的空间位置信息的特征点作为输出。该方法明显好于上述方法在重构模型的详细特性表达式。考虑有效的理解程度的脸部特征点真实感三维人脸模型的特性,因此利用脸部特征点来重建三维模型能有效地重建面部的细节特性模型;该方法可以设计一个回归函数来实现2 d脸部特征点之间的映射和调整数量的真实感三维人脸模型。其公式的原则
传统的一维线性传感器,数据从一个列(行)的传感器细胞用于重建一个2 d图像,和不同的扫描可以通过选择不同的光圈,将不同传感器细胞。同样,二维平面传感器体积扫描的能力。
二维超声换能器,换能器材料往往有巨大的影响对整个采样频率和重建帧速率。尽管2 d超声传感器能够实时动态重建3 d图像,每个传感器的阻抗细胞远远大于1 d线阵列,这使得阻抗匹配2 d表面阵列传感器特别困难。此外,为了避免传感器细胞之间的相互干扰,每个传感器细胞需要至少半个波长彼此远离(21),从而使传感器细胞的大小有限。方程的原理
的灵活性和可移植性手持传感器允许临床医生扫描区域ROI(感兴趣的区域)的具体方向和位置,允许临床医生选择最好的视图和扫描平面。的主要问题是解决3 d成像定位和取向。主要有4种常见的定位方法,涉及声学定位、光学定位、关节杆本地化和磁定位。除了这些,还有重建算法完全基于图像和传感器位置无关。后能够获得三维数据准确、迅速,3 d重建身体的速度和准确性直接影响整体三维重建的速度和准确度。许多重建方法能够实时扫描和图像,和大部分的这些方法都是基于传统的三维重建算法和并行计算。具体来说,实时三维分布重建算法可以分为三类:分布(VBM)方法,基于像素的方法(PBM)和基于函数的方法(FBM)。所有的这些方法都是基于二维图像的插值重建从1 d线阵列传感器结合传感器定位成3 d区域;因此,这里讨论的算法插值的过程2 d到3 d图像。图4代表的基础3 d动画图像重建技术。
结构与运动(SFM)重建是一个方法来恢复摄像机的外部参数和外部场景结构条件下,相机的内部参数是已知的。增量重建方法是一种广泛使用的重建方法,恢复现场结构一步一步通过添加新的图像。增量重建显示场景漂移很大重建场景是因为位置误差的累积。其公式的原则
同时,方法提高参数估计的数量随着图像数量的增加,导致缓慢的重建。加快重建,重建进程加速通过使用并行计算硬件GPU和FPGA等。全球重建方法的优点是,它不漂移,但该方法需要特征匹配精度高,提高特征点的质量,从而导致减少重建的完整性。增量重建相比,全球重建的迭代的数量减少了,并且没有累积误差,外部点,但这是敏感和重建精度不高增量重建。混合重建方法估计旋转矩阵通过全球重建和增量方法估计摄像机位移。重建是加速漂移,同时避免现场结构。
4所示。实验结果和分析
对3 d重建下令图像,首先根据计算初始点云图像采集的顺序,然后,新获得的图像添加到点云,现在添加的顺序是紧随其后的是图像捕获的时间。然而,在大场面,重建的图像可能是图片没有共同特征点;当遇到这种情况,没有特征点匹配与当前新添加的图像重建的点云,3 d重建根据要求图像的重建过程将无法被重建。其公式的原则
如果重建的场景是由汽车驾驶期间,即。,保证图像序列对应场景序列,那么可以通过使用3 d重建现场下令重建图像。然而,这样的重建是不稳定的,设计一个更健壮的重建过程中,无序的3 d图像的重建需要考虑,和本文的实验是在此基础上,基于图与实验平台5所示。
泊松equation-based三维表面重建技术是基于现有的稀疏或密集三维点云模型通过图像序列或其他方法的3 d点云重建。在这里,我们采用八叉树的三维空间分区的方法,将每个部分在八叉树的子节点的不同深度,进行泊松方程的过程所代表的整个表面点云,然后进行表面重建过程的等效表面提取终于获得一个3 d空间表面固体模型的3 d表面信息和丰富的细节表现。方程的原理
充分验证本文中描述的算法的可行性,以防止不必要的因素的干扰,避免造成错误的存在太多的离散点数据由于错误的过程中收集点云模型,并避免错误引起的问题点云信息或过少的点云数据,实验数据收集在这里主要是通过现有的成熟和现成的3 d点云模型。的主要目标是获取实验数据通过建立三维点云模型,辅以简单的点云模型与少量的点。公式的原理
4.1。实验结果
在具体实验中,不同的参数设置几个模型和原泊松equation-based表面重建算法与优化屏蔽泊松equation-based表面重建算法。优化后的算法,减少整体模型的细节更加完美,在重建过程中生成的模型漏洞问题明显减少。实验结果的数据在图所示6。
它可以得出结论,整个算法进行了优化比原来的算法来获取更大的改进。同样,经过实际试验,证明了改进泊松重建算法基于屏蔽泊松方程,利用插值约束输入信息预处理,后处理等值面提取算法的优化后,不同于原来的泊松重建算法基于泊松方程。优化后的后处理,等值面提取算法,明显不同于原来的泊松equation-based泊松重建算法。
4.2。实验结果分析
几个功能测试,尽管这个系统能够实现名义功能,同时发现了一些存在的问题在使用。图的最后的实验结果如图7。
在浏览器界面,如果用户执行一个批处理添加操作,有时程序不响应,系统加载缓慢。面对特征检测模块,需要一定的时间来加载,因为一些图书馆在Python中,但是用户可能认为不是点击功能按钮,从而重复操作。为了防止类似的滥用,添加一个进度条来检查当前系统的运行状态。其次,个性化需要改善。这个系统使用2 d图像无约束条件下面临的3 d模型作为输入和输出的脸。和重建技术扩展到实际应用,以便更多的人有更多的实践经验在立体视觉和人机交互等领域。虽然现有的人脸三维重建系统的功能,比如浏览和特征点查看加载的图像,它没有提供更多的解释和示范在实际的三维重建过程中,详细的介绍这个系统使用户能够有更深的认识和了解脸部三维重建过程。
当前版本的系统必须继续加强个性化设计,因为没有很多软件系统,通过无约束图像进行三维重建的面孔和可视化,进一步探索和改进,面对三维重建技术可以带进更多的普通人的生活。丰富的类别的三维重建过程,每一步都值得更深入的探索,以更好地扩展和完善相关功能,提高用户满意度。通过以上分析,该算法目前有很多方面需要改进,值得鼓励,实现无约束条件下面临的输入图像和相应的三维模型重建的脸迅速准确,效率如图8。
面对日益增长的需求的3 d模型,必定有巨大发展空间的应用程序类似于这个系统,这将成为人们的生活和娱乐不可或缺的一部分。未来的改进,该系统将增加更多的新方法具有优良的性能,满足用户日益强烈的个性化需求面临3 d重建和更智能和人性化这一技术领域的应用产品。
5。结论
随着计算机视觉技术的快速发展,人们的研究在许多方面的动画图片已逐渐成熟。例如,面部识别,从以前的传统的图像处理方法基于筛选功能,今天的深度学习方法,有一整套的研究系统动画图像的三维重建。然而,限于二维平面图像越来越无法应对今天遇到的许多问题。因此,许多研究学者把研究方向面临的3 d模型。然而,主要的问题是,访问模型是非常困难的,和模型的数量较低,研究过程的一大障碍。此外,三维重建的过程通常意味着大量的计算,这是一个严重的挑战为重建算法和硬件实现。为了克服当前存在的问题,一个有效的和方便的三维重建方法面临的迫切需要。本文在研究了现有的方法,结合计算机图形学和深度学习内容,我们建议一个3 d重建面临基于形变模型的方法,改变了传统参数解决变形问题的模型转换为一个图像学习问题和设计和制造一个简单而有效的动画图像重建系统。
因为之前的三维重建方法有一定的缺点,本文的主要内容是三维重建的人脸变形模型为研究对象。首先,介绍了变形模型,泛化能力由两部分改进经典变形模型相结合的数据集。这是紧随其后的是特征点检测的样本图像使用级联的回归。最初的2 d图像和相应的3 d数据信息转换为UV空间基于先前学者的工作获得的继承UV空间下的位置地图。通过设计一个网络结构,其中包含两个主要部分的卷积和反褶积和选择适当的损失函数,生成一个新的位置地图,和一个非常现实的三维模型生成的脸终于啮合,从而实现三维重建的纹理映射。它是由几组对比实验,证明该方法是非常现实的可变形模型的人脸。
面对三维重建方法的有效性的脸对齐,脸对齐在大角度的情况下,面对三维模型重建,和计算消费,其通过实验结果表明,基于泊松方程的3 d动画图像重建方法,是有效的和有效的。在文章的最后,泊松方程可以扮演特定的角色在一个未来的图像修复算法。一个新的基于梯度的图像恢复算法可以将影响力的对象从图片或照片。这是泊松方程。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有竞争的经济利益或个人关系可能出现影响工作报告。