CN108198215B - 一种多视角三维物体骨架图像提取方法 - Google Patents

一种多视角三维物体骨架图像提取方法 Download PDF

Info

Publication number
CN108198215B
CN108198215B CN201711270069.6A CN201711270069A CN108198215B CN 108198215 B CN108198215 B CN 108198215B CN 201711270069 A CN201711270069 A CN 201711270069A CN 108198215 B CN108198215 B CN 108198215B
Authority
CN
China
Prior art keywords
dimensional object
skeleton
dimensional
images
adopting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711270069.6A
Other languages
English (en)
Other versions
CN108198215A (zh
Inventor
赵雪青
石美红
朱欣娟
高全力
师昕
白新国
薛文生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201711270069.6A priority Critical patent/CN108198215B/zh
Publication of CN108198215A publication Critical patent/CN108198215A/zh
Application granted granted Critical
Publication of CN108198215B publication Critical patent/CN108198215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images

Abstract

本发明公开了一种多视角三维物体骨架图像提取方法，步骤包括：步骤1、获取三维物体的多视角图像；步骤2、提取三维物体每一个视角的骨架图像，对步骤1中每一个视角得到的三维物体图像，采用拉普拉斯收缩算法分别进行骨架图像提取；步骤3、对提取的骨架图像进行归一化处理，采用sigmoid函数作为转移函数，对步骤2提取的不同视角的骨架图像进行归一化处理，得到不同视角的最终骨架图像。本发明方法过程简单，适用于任何三维物体的骨架图像提取。

Description

一种多视角三维物体骨架图像提取方法
技术领域
本发明属于计算机图像处理技术领域，涉及一种多视角三维物体骨架图像提取方法。
背景技术
随着计算机视觉技术和三维扫描技术的飞速发展，人或物体的三维信息已被广泛地应用于虚拟现实、智能监控、人体测量、三维重建等重要领域。相对于二维图像，三维物体包含有更多丰富的信息，如在三维物体的描述方面更加形象逼真，现实方面具有更好的视觉感受，应用方面更加有利于得到精确的结果。
近年来，日益剧增的应用需求与飞速发展的互联网技术为三维物体的共享和处理提供了便利条件，然而，计算机在处理和描述三维物体过程中，由于存储空间过大、运行计算负载过重、达不到实时计算与处理的要求，因此，对三维物体进行骨架提取能够精炼地得到三维物体的结构特征和形状拓扑信息，能够极大地提高计算机的内存使用效率与计算性能。
采用骨架抽象地表示三维物体模型，能够充分地体现三维物体的几何拓扑特征，针对同一三维物体，从不同角度获得的多视角表达，能够有助于在短时间内掌握三维物体的结构、体积、层次与几何拓扑特征，提高对三维物体在空间展现、视觉感知能力方面都具有重要的实际意义。
发明内容
本发明的目的是提供一种多视角三维物体骨架图像提取方法，解决了现有技术中针对海量三维数据存储空间过大、运行计算负载过重、达不到实时计算与处理要求的问题。
本发明所采用的技术方案是，一种多视角三维物体骨架图像提取方法，按照以下步骤实施：
步骤1、获取三维物体的多视角图像；
步骤2、提取三维物体每一个视角的骨架图像，
对步骤1中每一个视角得到的三维物体图像，采用拉普拉斯收缩算法分别进行骨架图像提取；
步骤3、对提取的骨架图像进行归一化处理，
采用sigmoid函数作为转移函数，对步骤2提取的不同视角的骨架图像进行归一化处理，得到不同视角的最终骨架图像。
本发明的有益效果是，采用将一个三维物体沿着空间直角坐标系O-xyz，从0到180度获得不同视角的三维物体，对每一个视角得到的三维物体采用拉普拉斯收缩算法分别进行骨架图像提取处理，采用sigmoid函数作为转移函数，对不同视角获得的骨架图像进行归一化处理，输出。本发明方法过程简单，适用于任何三维物体的骨架图像提取。
附图说明
图1是本发明方法的流程图；
图2是本发明方法实施例采集对象的三维手势图；
图3是本发明方法实施例采集的不同视角的三维手势图；
图4是对不同视角的三维手势图归一化后的骨架图像；
图5是本发明方法实施例采集对象的三维人体图；
图6是本发明方法实施例采集的不同视角的三维人体图；
图7是对不同视角的三维人体图归一化后的骨架图像；
图8是视角24的最终骨架图像与图5中的角度状态最为接近。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的多视角三维物体骨架图像提取方法，按照以下步骤实施：
步骤1、获取三维物体的多视角图像
将一个三维物体沿着空间直角坐标系O-xyz旋转，从0到180度获得不同角度的三维物体图像。
步骤2、提取三维物体每一个视角的骨架图像
对步骤1中每一个视角得到的三维物体图像，采用拉普拉斯收缩算法分别进行骨架图像提取，具体步骤如下：
2.1)迭代求解第t+1次的三维物体点云坐标，计算下列线性方程组：
Figure BDA0001495392080000031
其中，Pt是当前处理的三维物体点云，Pt+1是收缩之后的三维物体点云；
Figure BDA0001495392080000033
和
Figure BDA0001495392080000034
是两个对角矩阵，分别表示该算子的收缩力和反收缩力；
Lt是拉普拉斯加权矩阵，其计算式如下：
Figure BDA0001495392080000032
先采用K近邻方法将三维物体点云数据投影至二维平面，再采用Delaunay三角剖分方法计算第t次迭代的拉普拉斯加权矩阵Lt；
2.2)分别采用下式进行迭代更新：
Figure BDA0001495392080000041
其中，SL是参数，优选取值为3，
Figure BDA0001495392080000043
和
Figure BDA0001495392080000044
是点Pi处的邻接三角形面积之和，
Figure BDA0001495392080000045
为对角线元素。
2.3)采用当前点云Pt+1更新拉普拉斯加权矩阵Lt+1，得到收缩点云。
步骤3、对提取的骨架图像进行归一化处理，
采用sigmoid函数作为转移函数，对步骤2提取的不同视角的骨架图像进行归一化处理，根据下式所定义的sigmoid转移函数归一化步骤2中得到的不同视角获得的最终骨架图像：
Figure BDA0001495392080000042
其中，gi,j是步骤2中得到骨架图像的像素值，i和j分别是像素点的坐标；a和b分别表示sigmoid转移函数线性渐变的强度和范围，
采用sigmoid函数作为转移函数，对不同视角获得的骨架图像进行归一化处理，得到不同视角的最终骨架图像，即成。
以下实施例中采用Matlab R2017a编程实现本发明的方法。实验平台主要配置为：操作系统为Windows10，CPU为Intel Core i7 5600U，RAM为8G。
实施例1
以多视角三维手势骨架图像提取为例，其步骤如下：
步骤1、获取三维手势的多视角图像
将图2所示的三维手势图沿着空间直角坐标系O-xyz，从0到180度获得不同角度的三维手势图，共获得27幅不同视角的三维手势图，见图3所示。
步骤2、提取三维手势的骨架图像
首先，对每一个视角的三维手势图像采用下式进行迭代计算Pt+1：
Figure BDA0001495392080000051
其中，Lt为拉普拉斯加权矩阵，采用K近邻方法将三维物体点云数据投影至二维平面，K取5；采用Delaunay三角剖分方法计算第t次迭代的拉普拉斯加权矩阵Lt，具体由下式计算得到：
Figure BDA0001495392080000052
其次，由下式进行迭代更新：
Figure BDA0001495392080000053
选取SL＝3.0，
Figure BDA0001495392080000054
t取值为0.01，
Figure BDA0001495392080000059
Figure BDA0001495392080000055
其中，
Figure BDA0001495392080000056
为对角线元素，
Figure BDA0001495392080000057
和
Figure BDA00014953920800000510
是点Pi处的邻接三角形面积之和；最后，采用当前点云Pt+1更新拉普拉斯加权矩阵Lt+1。
步骤3、对三维手势的骨架图像进行归一化处理
采用sigmoid函数作为转移函数，对不同视角获得的三维手势骨架图像进行归一化处理：
Figure BDA0001495392080000058
其中，gi,j骨架图像的像素值，a和b分别表示sigmoid转移函数线性渐变的强度和范围，a取值为0.05，b取值为0.5，分别将不同视角的三维手势骨架图像进行归一化，见图4，得到27幅三维手势不同视角的最终骨架图像。
实施例2
以多视角三维人体骨架图像提取为例，其步骤如下：
图5是采用本发明提取多视角三维人体骨架对象的图像。本实施例中，三维人体的多视角获取步骤1与实施例1相同，将图5所示的三维人体图沿着空间直角坐标系O-xyz，从0到180度获得不同角度的三维手势图，共获得27幅不同视角的三维人体图，见图6所示。
在本实施例的三维人体骨架图像提取步骤2中，参数取值与实施例1中的取值相同。
本实施例的三维人体骨架图像归一化处理步骤3与实施例1中的步骤相同，参数取值与实施例1相同，对不同视角的三维人体骨架图像进行归一化，结果见图7，得到27幅三维人体不同视角的最终骨架图像；见图8，其中视角24的最终骨架图像与图5中的角度状态最为接近。

Claims (3)

1.一种多视角三维物体骨架图像提取方法，其特征在于，按照以下步骤实施：
步骤1、获取三维物体的多视角图像，
具体过程是：将一个三维物体沿着空间直角坐标系O-xyz旋转，从0到180度获得不同角度的三维物体图像；
步骤2、提取三维物体每一个视角的骨架图像，对步骤1中每一个视角得到的三维物体图像，采用拉普拉斯收缩算法分别进行骨架图像提取，
具体过程是：
2.1)迭代求解第t+1次的三维物体点云坐标，计算下列线性方程组：
Figure FDA0003298819010000011
其中，Pt是当前处理的三维物体点云，Pt+1是收缩之后的三维物体点云；
Figure FDA0003298819010000012
和
Figure FDA0003298819010000013
是两个对角矩阵，分别表示算子的收缩力和反收缩力；
Lt是拉普拉斯加权矩阵，其计算式如下：
Figure FDA0003298819010000014
先采用K近邻方法将三维物体点云数据投影至二维平面，再采用Delaunay三角剖分方法计算第t次迭代的拉普拉斯加权矩阵Lt；
2.2)分别采用下式进行迭代更新：
Figure FDA0003298819010000015
其中，SL是参数，
Figure FDA0003298819010000016
和
Figure FDA0003298819010000017
是点Pi处的邻接三角形面积之和，
Figure FDA0003298819010000018
为对角线元素；
2.3)采用当前点云Pt+1更新拉普拉斯加权矩阵Lt+1，得到收缩点云；
步骤3、对提取的骨架图像进行归一化处理，采用sigmoid函数作为转移函数，对步骤2提取的不同视角的骨架图像进行归一化处理，得到不同视角的最终骨架图像，
具体过程是：
采用sigmoid函数作为转移函数，对不同视角获得的骨架图像进行归一化处理，根据下式所定义的sigmoid转移函数归一化步骤2中得到的不同视角获得的最终骨架图像：
Figure FDA0003298819010000021
其中，gi,j是步骤2中得到骨架图像的像素值，i和j分别是像素点的坐标；a和b分别表示sigmoid转移函数线性渐变的强度和范围。
2.根据权利要求1所述的多视角三维物体骨架图像提取方法，其特征在于，所述的SL取值为3，K近邻方法中的K取5。
3.根据权利要求1所述的多视角三维物体骨架图像提取方法，其特征在于，所述的a取值为0.05，b取值为0.5。
CN201711270069.6A 2017-12-05 2017-12-05 一种多视角三维物体骨架图像提取方法 Active CN108198215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711270069.6A CN108198215B (zh) 2017-12-05 2017-12-05 一种多视角三维物体骨架图像提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711270069.6A CN108198215B (zh) 2017-12-05 2017-12-05 一种多视角三维物体骨架图像提取方法

Publications (2)

Publication Number Publication Date
CN108198215A CN108198215A (zh) 2018-06-22
CN108198215B true CN108198215B (zh) 2021-12-14

Family

ID=62573735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711270069.6A Active CN108198215B (zh) 2017-12-05 2017-12-05 一种多视角三维物体骨架图像提取方法

Country Status (1)

Country Link
CN (1) CN108198215B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472086B (zh) * 2019-08-02 2023-01-31 西安工程大学 一种基于视网膜关键特征提取的骨架图像检索方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639947A (zh) * 2009-08-26 2010-02-03 北京农业信息技术研究中心 基于图像的植物三维形态测量与重建方法及系统
CN103218852A (zh) * 2013-04-19 2013-07-24 牡丹江师范学院 一种面向蒙皮动画的基于网格收缩的三维网格模型骨架提取系统及骨架提取方法
CN104463972A (zh) * 2014-11-24 2015-03-25 北京建筑大学 观音手状文物骨架线提取方法
CN106204635A (zh) * 2016-06-27 2016-12-07 北京工业大学 基于l0最小化的人体连续帧骨骼优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10140708B2 (en) * 2016-01-21 2018-11-27 Riverside Research Institute Method for gestational age estimation and embryonic mutant detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639947A (zh) * 2009-08-26 2010-02-03 北京农业信息技术研究中心 基于图像的植物三维形态测量与重建方法及系统
CN103218852A (zh) * 2013-04-19 2013-07-24 牡丹江师范学院 一种面向蒙皮动画的基于网格收缩的三维网格模型骨架提取系统及骨架提取方法
CN104463972A (zh) * 2014-11-24 2015-03-25 北京建筑大学 观音手状文物骨架线提取方法
CN106204635A (zh) * 2016-06-27 2016-12-07 北京工业大学 基于l0最小化的人体连续帧骨骼优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
3D Skeleton Construction by Multi-View 2D Images and 3D Model Segmentation;Shih-Ming Chang et al;《Fourth International Conference on Ubi-Media Computing》;20110818;第168-173页 *
Point Cloud Skeletons via Laplacian-Based Contraction;Junjie Cao et al;《2010 Shape Modeling International Conference》;20100726;第187-197页 *
一种鲁棒的三维点云骨架提取方法;王晓洁等;《中国科学:信息科学》;20170731;第47卷(第7期);第832-845页 *

Also Published As

Publication number Publication date
CN108198215A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN110363858B (zh) 一种三维人脸重建方法及系统
CN112927357B (zh) 一种基于动态图网络的3d物体重建方法
WO2020206903A1 (zh) 影像匹配方法、装置及计算机可读存储介质
CN112862972B (zh) 一种表面结构网格生成方法
CN110189399B (zh) 一种室内三维布局重建的方法及系统
CN113065546B (zh) 一种基于注意力机制和霍夫投票的目标位姿估计方法及系统
CN109544606B (zh) 基于多个Kinect的快速自动配准方法及系统
CN106908052B (zh) 用于智能机器人的路径规划方法及装置
CN113178009B (zh) 一种利用点云分割和网格修补的室内三维重建方法
CN101082988A (zh) 自动的深度图像配准方法
JP6863596B2 (ja) データ処理装置及びデータ処理方法
CN116129037B (zh) 视触觉传感器及其三维重建方法、系统、设备及存储介质
Yamaura et al. Shape reconstruction from a normal map in terms of uniform bi-quadratic B-spline surfaces
CN108198215B (zh) 一种多视角三维物体骨架图像提取方法
CN117132737A (zh) 一种三维建筑模型构建方法、系统及设备
CN116883590A (zh) 一种三维人脸点云优化方法、介质及系统
Zhong et al. Triple screening point cloud registration method based on image and geometric features
Shalma et al. A review on 3D image reconstruction on specific and generic objects
CN113284249B (zh) 一种基于图神经网络的多视角三维人体重建方法及系统
CN113129348B (zh) 一种基于单目视觉的道路场景中车辆目标的三维重建方法
CN108151712B (zh) 一种人体三维建模及测量方法和系统
CN112381721A (zh) 一种基于双目视觉的人脸三维重建方法
Liu et al. Binocular depth estimation using convolutional neural network with Siamese branches
Han et al. 3D reconstruction of dense model based on the sparse frames using RGBD camera
CN116109522B (zh) 一种基于图神经网络的轮廓矫正方法、装置、介质及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant