CN111753644A - 在三维人脸扫描上检测关键点的方法及装置 - Google Patents
在三维人脸扫描上检测关键点的方法及装置 Download PDFInfo
- Publication number
- CN111753644A CN111753644A CN202010388844.3A CN202010388844A CN111753644A CN 111753644 A CN111753644 A CN 111753644A CN 202010388844 A CN202010388844 A CN 202010388844A CN 111753644 A CN111753644 A CN 111753644A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- key points
- key point
- initial
- face
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/529—Depth or shape recovery from texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
Abstract
本发明公开了一种在三维人脸扫描上检测关键点的方法及装置,其中,该方法包括以下步骤:首先将三维人脸扫描在多个视角下渲染成人脸图像,在人脸图像上检测关键点,然后融合多视角的信息,在三维人脸扫描上得到初始关键点,最后利用人脸扫描的局部几何特征微调关键点的位置并经过多次迭代,得到最终关键点检测的结果。该方法能够融合不同视角人脸图像关键点检测的优势,同时结合局部几何特征对关键点的位置进行微调,得到比较鲁棒的关键点检测结果。
Description
技术领域
本发明涉及计算机视觉、计算机图形学技术领域,特别涉及一种在三维人脸扫描上检测关键点的方法及装置。
背景技术
随着消费级深度相机的发展,获取三维人脸的扫描数据变得越来越便捷,在三维人脸扫描上检测人脸关键点对于三维人脸配准,三维人脸识别等工作具有十分重要的意义。
人脸关键点检测在人脸识别,人脸配准,人脸动画生成等领域具有十分重要的作用,随着深度学习的发展,人脸图像关键点检测已经取得了很高的精度。在人脸扫描上检测关键点,最简单的一种方法是将人脸图像上的关键点反投影到人脸扫描上,但是这种方法存在很大缺陷。一方面,人脸图像只包含单个视角的信息,但是人脸外围轮廓的关键点无法在正脸图像上得到很好的检测,五官的关键点在侧脸图像上检测精度又会下降,因此很难找到某个视角对所有的关键点检测都很友好;另一方面,人脸图像只包含二维信息,而人脸是一个三维形状,许多关键点具有显著的局部几何特征。
也就是说,深度学习使得人脸图像关键点检测的精度得到很大提升,但是在三维人脸扫描上的关键点检测却没有被充分研究。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种在三维人脸扫描上检测关键点的方法,该方法融合了不同视角的优势,相比单视角检测关键点再反投影的方法更加鲁棒。
本发明的另一个目的在于提出一种在三维人脸扫描上检测关键点的装置。
为达到上述目的,本发明一方面实施例提出了在三维人脸扫描上检测关键点的方法,包括以下步骤:步骤S1,将三维人脸扫描渲染成多视角人脸图像;步骤S2,检测所述多视角人脸图像上的关键点;步骤S3,将所述多视角人脸图像检测到的二维关键点融合,得到初始三维关键点的局部几何特征;步骤S4,根据所述初始三维关键点的局部几何特征对三维关键点的位置进行若干次迭代微调,得到最终关键点的位置信息。
本发明实施例的在三维人脸扫描上检测关键点的方法,通过对于三维人脸配准,三维人脸识别等领域具有较大意义。由于各个关键点在不同视角下检测的精度存在差距,本发明实施例通过融合了不同视角的优势,相比单视角检测关键点再反投影的方法更加鲁棒,同时,考虑了局部几何特征对关键点检测的作用,进一步提高了关键点检测的精度。
另外,根据本发明上述实施例的在三维人脸扫描上检测关键点的方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述多视角人脸图像检测到的二维关键点的检测精度与正对相机程度成正比关系。
进一步地,在本发明的一个实施例中,所述正对相机程度根据表面法向和相机视角方向的角度确定。
进一步地,在本发明的一个实施例中,所述初始三维关键点为各个视角下投影误差之和最小的顶点。
进一步地,在本发明的一个实施例中,所述步骤S4包括:预先训练一个线性回归模型,其中,所述线性回归模型的输入是所述初始三维关键点当前的局部几何特征,输出是实际特征点相对当前位置的偏移量;根据所述初始三维关键点的局部几何特征和预先训练好的线性回归模型,回归关键点的偏移量,将所述偏移量作用到所述初始三维关键点上,在人脸扫描上找出其最近邻,得到更新后的关键点位置;将更新后的关键点作为新的初始关键点,经过若干次迭代,得到所述最终关键点的位置信息。
为达到上述目的,本发明另一方面实施例提出了在三维人脸扫描上检测关键点的装置,包括:渲染模块,用于将三维人脸扫描渲染成多视角人脸图像;检测模块,用于检测所述多视角人脸图像上的关键点;融合模块,用于将所述多视角人脸图像检测到的二维关键点融合,得到初始三维关键点的局部几何特征;微调模块,用于根据所述初始三维关键点的局部几何特征对三维关键点的位置进行若干次迭代微调,得到最终关键点的位置信息。
本发明实施例的在三维人脸扫描上检测关键点的装置,通过对于三维人脸配准,三维人脸识别等领域具有较大意义。由于各个关键点在不同视角下检测的精度存在差距,本发明实施例通过融合了不同视角的优势,相比单视角检测关键点再反投影的方法更加鲁棒,同时,考虑了局部几何特征对关键点检测的作用,进一步提高了关键点检测的精度。
另外,根据本发明上述实施例的在三维人脸扫描上检测关键点的装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述多视角人脸图像检测到的二维关键点的检测精度与正对相机程度成正比关系。
进一步地,在本发明的一个实施例中,所述正对相机程度根据表面法向和相机视角方向的角度确定。
进一步地,在本发明的一个实施例中,所述初始三维关键点为各个视角下投影误差之和最小的顶点。
进一步地,在本发明的一个实施例中,所述微调模块包括:训练单元,用于预先训练一个线性回归模型,其中,所述线性回归模型的输入是所述初始三维关键点当前的局部几何特征,输出是实际特征点相对当前位置的偏移量;回归单元,用于根据所述初始三维关键点的局部几何特征和预先训练好的线性回归模型,回归关键点的偏移量,将所述偏移量作用到所述初始三维关键点上,在人脸扫描上找出其最近邻,得到更新后的关键点位置;迭代单元,用于将更新后的关键点作为新的初始关键点,经过若干次迭代,得到所述最终关键点的位置信息。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的在三维人脸扫描上检测关键点的方法流程图;
图2为根据本发明一个实施例的在三维人脸扫描上检测关键点的装置结构示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的在三维人脸扫描上检测关键点的方法及装置,首先将参照附图描述根据本发明实施例提出的在三维人脸扫描上检测关键点的方法。
图1是本发明一个实施例的在三维人脸扫描上检测关键点的方法流程图。
如图1所示,该在三维人脸扫描上检测关键点的方法包括以下步骤:
在步骤S1中,将三维人脸扫描渲染成多视角人脸图像。即输入带有纹理的三维人脸扫描。
也就是说,将人脸扫描渲染成多视角的图像,其中,在若干个不同的视角渲染人脸图像,视角的选取要求在三维空间中分布比较广泛,包含正脸,侧脸,同时各个视角的分布要求比较均匀。
在步骤S2中,检测多视角人脸图像上的关键点。
进一步地,在本发明的一个实施例中,关键点的检测精度与正对相机程度成正比关系,其中,正对相机程度根据表面法向和相机视角方向的角度确定。
具体地,在渲染的多视角图像上检测人脸关键点,其中,不同视角对于不同器官的关键点检测具有不同的作用,一般而言,对于某个关键点,其检测精度与其正对相机的程度有关,越正对相机,检测精度越高,而正对相机的程度可以根据表面法向和相机视角方向的夹角确定。
在步骤S3中,将多视角人脸图像检测到的二维关键点融合,得到初始三维关键点的局部几何特征。
也就是说,融合多视角图像二维关键点的局部几何特征,在人脸扫描上得到初始三维关键点的位置,其中,初始三维关键点为各个视角下投影误差之和最小的顶点。
需要说明的是,对于任意一个关键点,本发明实施例融合多视角图像关键点的信息,在人脸扫描的顶点集合中找到在各个视角下投影误差之和最小的顶点作为初始三维关键点。计算投影误差之和时对各个视角赋予不同的权重,顶点在当前视角下越正对相机,权重越大。
在步骤S4中,根据初始三维关键点的位置信息对三维关键点的位置进行若干次迭代微调,得到最终关键点的位置信息。即输出为预定义的若干个人脸关键点在三维扫描上的位置。
也就是说,根据初始三维关键点的局部几何特征向量,对三维关键点的位置进行微调,并进行若干次迭代,得到最终关键点的位置。
进一步地,在本发明的一个实施例中,步骤S4包括:
预先训练一个线性回归模型,模型的输入是三维特征点当前位置的局部几何特征,输出是实际特征点相对当前位置的偏移量;
根据初始三维关键点的局部几何特征和预先训练好的线性回归模型,回归关键点的偏移量,将偏移量作用到初始关键点上,在人脸扫描上找出其最近邻,得到更新后的关键点位置;
将更新后的关键点作为新的初始关键点,经过若干次迭代,得到最终关键点的位置信息。
可以理解的是,步骤S3得到的初始三维关键点的位置信息考虑了多视角图像的信息,但是没有考虑关键点的局部几何特征。因此,在此步骤,本发明实施例训练一个线性回归模型,根据初始三维关键点的局部几何特征向量回归关键点的偏移量,把偏移量作用到初始关键点,并且在人脸扫描上找出其最近邻,得到更新后的关键点的位置。得到更新后的关键点,计算其局部几何特征向量,根据特征向量回归新的偏移量,作用到上一次更新后的关键点,并且在人脸扫描上找出其最近邻,得到此次更新后的关键点的位置。经过若干次迭代,得到最终关键点检测的位置。
本发明实施例提出的在三维人脸扫描上检测关键点的方法,对于三维人脸配准,三维人脸识别等领域具有较大意义。由于各个关键点在不同视角下检测的精度存在差距,本发明实施例融合了不同视角的优势,相比单视角检测关键点再反投影的方法更加鲁棒,同时,考虑了局部几何特征对关键点检测的作用,进一步提高了关键点检测的精度。
其次参照附图描述根据本发明实施例提出的在三维人脸扫描上检测关键点的装置。
图2是本发明一个实施例的在三维人脸扫描上检测关键点的装置结构示意图.
如图2所示,该装置10包括:渲染模块100、检测模块200、融合模块300和微调模块400。
其中,渲染模块100用于将三维人脸扫描渲染成多视角人脸图像。检测模块200用于检测多视角人脸图像上的关键点。融合模块300用于将多视角人脸检测到的二维关键点相融合,得到初始三维关键点的局部几何特征。微调模块400用于根据初始三维关键点的局部几何特征对三维关键点的位置进行若干次迭代微调,得到最终关键点的位置信息。
进一步地,在本发明的一个实施例中,多视角人脸图像检测到的二维关键点的检测精度与正对相机程度成正比关系。
进一步地,在本发明的一个实施例中,正对相机程度根据表面法向和相机视角方向的角度确定。
进一步地,在本发明的一个实施例中,初始三维关键点为各个视角下投影误差之和最小的顶点。
进一步地,在本发明的一个实施例中,微调模块包括:
训练单元,用于预先训练一个线性回归模型,模型的输入是三维特征点当前位置的局部几何特征,输出是实际特征点相对当前位置的偏移量;
回归单元,用于根据初始关键点的局部几何特征和预先训练好的线性回归模型,回归关键点的偏移量,将偏移量作用到初始关键点上,在人脸扫描上找出其最近邻,得到更新后的关键点位置;
迭代单元,用于在人脸扫描上找出其最近邻,得到当前更新后的关键点位置,经过若干次迭代,得到最终关键点的位置信息。
本发明实施例提出的在三维人脸扫描上检测关键点的装置,对于三维人脸配准,三维人脸识别等领域具有较大意义。由于各个关键点在不同视角下检测的精度存在差距,本发明实施例融合了不同视角的优势,相比单视角检测关键点再反投影的方法更加鲁棒,同时,考虑了局部几何特征对关键点检测的作用,进一步提高了关键点检测的精度。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种在三维人脸扫描上检测关键点的方法,其特征在于,包括以下步骤:
步骤S1,将三维人脸扫描渲染成多视角人脸图像;
步骤S2,检测所述多视角人脸图像上的二维关键点;
步骤S3,将所述多视角人脸图像检测到的二维关键点融合,得到初始三维关键点的局部几何特征;以及
步骤S4,根据所述初始三维关键点的局部几何特征对三维关键点的位置进行若干次迭代微调,得到最终关键点的位置信息。
2.根据权利要求1所述的在三维人脸扫描上检测关键点的方法,其特征在于,所述多视角人脸图像检测到的二维关键点的检测精度与正对相机程度成正比关系。
3.根据权利要求2所述的在三维人脸扫描上检测关键点的方法,其特征在于,所述正对相机程度根据表面法向和相机视角方向的角度确定。
4.根据权利要求1所述的在三维人脸扫描上检测关键点的方法,其特征在于,所述初始三维关键点为各个视角下投影误差之和最小的顶点。
5.根据权利要求1所述的在三维人脸扫描上检测关键点的方法,其特征在于,所述步骤S4包括:
预先训练一个线性回归模型,其中,所述线性回归模型的输入是所述初始三维关键点当前的局部几何特征,输出是实际特征点相对当前位置的偏移量;
根据所述初始三维关键点的局部几何特征和预先训练好的线性回归模型,回归关键点的偏移量,将所述偏移量作用到所述初始三维关键点上,在人脸扫描上找出其最近邻,得到更新后的关键点位置;
将更新后的关键点作为新的初始关键点,经过若干次迭代,得到所述最终关键点的位置信息。
6.一种在三维人脸扫描上检测关键点的装置,其特征在于,包括:
渲染模块,用于将三维人脸扫描渲染成多视角人脸图像;
检测模块,用于检测所述多视角人脸图像上的关键点;
融合模块,用于将所述多视角人脸图像检测到的二维关键点融合,得到初始三维关键点的局部几何特征;以及
微调模块,用于根据所述初始三维关键点的局部几何特征对三维关键点的位置进行若干次迭代微调,得到最终关键点的位置信息。
7.根据权利要求6所述的在三维人脸扫描上检测关键点的装置,其特征在于,所述多视角人脸图像检测到的二维关键点的检测精度与正对相机程度成正比关系。
8.根据权利要求7所述的在三维人脸扫描上检测关键点的装置,其特征在于,所述正对相机程度根据表面法向和相机视角方向的角度确定。
9.根据权利要求6所述的在三维人脸扫描上检测关键点的装置,其特征在于,所述初始三维关键点为各个视角下投影误差之和最小的顶点。
10.根据权利要求6所述的在三维人脸扫描上检测关键点的装置,其特征在于,所述微调模块包括:
训练单元,用于预先训练一个线性回归模型,其中,所述线性回归模型的输入是所述初始三维关键点当前的局部几何特征,输出是实际特征点相对当前位置的偏移量;
回归单元,用于根据所述初始三维关键点的局部几何特征和预先训练好的线性回归模型,回归关键点的偏移量,将所述偏移量作用到所述初始三维关键点上,在人脸扫描上找出其最近邻,得到更新后的关键点位置;
迭代单元,用于将更新后的关键点作为新的初始关键点,经过若干次迭代,得到所述最终关键点的位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388844.3A CN111753644A (zh) | 2020-05-09 | 2020-05-09 | 在三维人脸扫描上检测关键点的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388844.3A CN111753644A (zh) | 2020-05-09 | 2020-05-09 | 在三维人脸扫描上检测关键点的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753644A true CN111753644A (zh) | 2020-10-09 |
Family
ID=72673319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010388844.3A Pending CN111753644A (zh) | 2020-05-09 | 2020-05-09 | 在三维人脸扫描上检测关键点的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753644A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883920A (zh) * | 2021-03-22 | 2021-06-01 | 清华大学 | 基于点云深度学习的三维人脸扫描特征点检测方法和装置 |
CN115984461A (zh) * | 2022-12-12 | 2023-04-18 | 广州紫为云科技有限公司 | 一种基于rgbd相机的人脸三维关键点检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100134487A1 (en) * | 2008-12-02 | 2010-06-03 | Shang-Hong Lai | 3d face model construction method |
CN104615996A (zh) * | 2015-02-15 | 2015-05-13 | 四川川大智胜软件股份有限公司 | 一种多视角二维人脸特征点自动定位方法 |
CN105512627A (zh) * | 2015-12-03 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种关键点的定位方法及终端 |
CN105868769A (zh) * | 2015-01-23 | 2016-08-17 | 阿里巴巴集团控股有限公司 | 图像中的人脸关键点定位方法及装置 |
CN110399809A (zh) * | 2019-07-08 | 2019-11-01 | 北京亮亮视野科技有限公司 | 多特征融合的人脸关键点检测方法及装置 |
CN110807451A (zh) * | 2020-01-08 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
-
2020
- 2020-05-09 CN CN202010388844.3A patent/CN111753644A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100134487A1 (en) * | 2008-12-02 | 2010-06-03 | Shang-Hong Lai | 3d face model construction method |
CN105868769A (zh) * | 2015-01-23 | 2016-08-17 | 阿里巴巴集团控股有限公司 | 图像中的人脸关键点定位方法及装置 |
CN104615996A (zh) * | 2015-02-15 | 2015-05-13 | 四川川大智胜软件股份有限公司 | 一种多视角二维人脸特征点自动定位方法 |
CN105512627A (zh) * | 2015-12-03 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种关键点的定位方法及终端 |
CN110399809A (zh) * | 2019-07-08 | 2019-11-01 | 北京亮亮视野科技有限公司 | 多特征融合的人脸关键点检测方法及装置 |
CN110807451A (zh) * | 2020-01-08 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883920A (zh) * | 2021-03-22 | 2021-06-01 | 清华大学 | 基于点云深度学习的三维人脸扫描特征点检测方法和装置 |
CN115984461A (zh) * | 2022-12-12 | 2023-04-18 | 广州紫为云科技有限公司 | 一种基于rgbd相机的人脸三维关键点检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6668082B1 (en) | Image processing apparatus | |
US8208029B2 (en) | Method and system for calibrating camera with rectification homography of imaged parallelogram | |
US20190141247A1 (en) | Threshold determination in a ransac algorithm | |
US7711180B2 (en) | Three-dimensional image measuring apparatus and method | |
JP4599515B2 (ja) | 3次元形状データの位置合わせ方法および装置 | |
US6647146B1 (en) | Image processing apparatus | |
US8269766B2 (en) | Method for generating three-dimensional shape data, apparatus for generating three-dimensional shape data, and three-dimensional shape data generating program | |
EP0901105A1 (en) | Image processing apparatus | |
CN103562934B (zh) | 脸部位置检测 | |
CN103299343A (zh) | 距离图像像素匹配方法 | |
Li et al. | Cross-ratio–based line scan camera calibration using a planar pattern | |
Bergström et al. | Virtual projective shape matching in targetless CAD-based close-range photogrammetry for efficient estimation of specific deviations | |
CN111753644A (zh) | 在三维人脸扫描上检测关键点的方法及装置 | |
JP2000137815A (ja) | 新視点画像生成方法 | |
Lin | Automatic 3D color shape measurement system based on a stereo camera | |
Liu et al. | Pose estimation from reflections for specular surface recovery | |
Jennings et al. | Texture-based photogrammetry accuracy on curved surfaces | |
CN112258635B (zh) | 基于改进双目匹配sad算法的三维重建方法及装置 | |
Zetu et al. | Data input model for virtual reality-aided facility layout | |
Fu et al. | Real-time depth camera tracking with geometrically stable weight algorithm | |
Guo et al. | Using facial landmarks to assist the stereo matching in fringe projection based 3D face profilometry | |
Liu et al. | Synthesis and identification of three-dimensional faces from image (s) and three-dimensional generic models | |
Liu et al. | Algorithm for camera parameter adjustment in multicamera systems | |
Liu et al. | High-accuracy three-dimensional shape acquisition of a large-scale object from multiple uncalibrated camera views | |
Schiller | Dynamic 3D scene analysis and modeling with a time-of-flight camera |
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 |