CN112001973A - 基于数字散斑相关的快速三维人头测量方法 - Google Patents
基于数字散斑相关的快速三维人头测量方法 Download PDFInfo
- Publication number
- CN112001973A CN112001973A CN202010721959.XA CN202010721959A CN112001973A CN 112001973 A CN112001973 A CN 112001973A CN 202010721959 A CN202010721959 A CN 202010721959A CN 112001973 A CN112001973 A CN 112001973A
- Authority
- CN
- China
- Prior art keywords
- human head
- key point
- dimensional
- sift
- seed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000006073 displacement reaction Methods 0.000 claims abstract description 24
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 13
- 230000003993 interaction Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于数字散斑相关的快速三维人头测量方法,给人头模型套上带有散斑的丝质头套,将两个相机相对垂直放置以获得带散斑的人头模型二维图像;标记出图像中待测的散斑区域,设置散斑区域的中心点为种子点,通过SIFT和RANSAC获得种子点的初始估计位移;使用数字图像相关算法(DIC)可以获得两个相机视角之间的人头视差数据,利用相机的标定参数,将视差数据转为三维信息。本发明可实现单帧、高精度的三维人头测量。
Description
技术领域
本发明属于光学测量技术领域,具体为一种基于数字散斑相关的快速三维人头测量方法。
背景技术
近几十年,三维轮廓测量技术被广泛的应用于各个领域,如在线工业检测,逆向建模和三维人脸测量等。在众多三维轮廓测量方法中,基于散斑相关和三角测量原理的数字图像相关技术是测量效率高和十分实用的技术之一,由于它具有无接触、全场、高精度和高效等优点。然而,在数字图像相关技术中,数字散斑相关算法会直接影响到数字图像相关的测量精度和测量效率。目前尚缺少一种仅需单次测量即可实现高效、高精度的三维测量方法。
发明内容
本发明的目的在于提出了一种基于数字散斑相关的快速三维人头测量方法。
实现本发明目的的技术解决方案为:一种基于数字散斑相关的快速三维人头测量方法,包括以下步骤:
步骤1:给人头模型套上带有散斑的头套,将两个相机在同一直线上下设置拍摄得到带散斑的人头模型二维图像;
步骤2:标记出人头模型二维图像中待测的散斑区域,并设置种子点,通过SIFT算法和RANSAC算法获得种子点的初始估计位移;
步骤3:通过基于质量图的位移参数传播算法完成全局的位移估计,获得两个相机视角之间的人头视差数据,利用相机的标定参数,将视差数据转为三维信息。
优选地,设置的种子点坐标(xs,ys)为:
其中,colmax和colmin是待测的散斑区域的水平方向的最大列值和最小列值,rowmax和rowmin是待测的散斑区域的水平方向的最大行值和最小行值。
优选地,通过SIFT和RANSAC获得种子点的初始估计位移的具体方法为:
采用SIFT算法分别找到两相机拍摄图像中的SIFT关键点,并排除质量较低的关键点;
采用RANSAC算法每次随机选择三对不共线的关键点对获得仿射变换参数;
根据仿射变换参数获得种子点的初始位移和一阶梯度;
根据种子点的初始位移和一阶梯度,通过IC-GN算法获得相似性最大的种子点的形变参数;
根据相似性最大的种子点的形变参数,通过IC-GN算法估计单一像素的初始位移。
优选地,排除质量较低的关键点的具体方法为:
分别判断第一关键点对之间的距离与第二关键点对之间的距离的比值是否小于设定阈值,若是,则判断为质量较低的关键点。
优选地,设定的阈值为0.6。
优选地,所述第一关键点对、第二关键点对的确定方法为:
将一个相机拍摄图像中的任一SIFT关键点与另一个相机拍摄图像中的所有SIFT关键点组成一系列关键点对;
计算各个SIFT关键点对之间的距离;
根据距离大小,按升序对SIFT关键点对进行排序,将距离最小的关键点对作为第一关键点对,距离次之的作为第二关键点对。
本发明与现有技术相比,其显著优点为:本发明通过给人头套上带有散斑图案的头套,仅需两个相机捕获一组散斑图案即可实现单帧、高精度的三维人头测量。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明的流程示意图。
图2为单个相机拍摄得到的人头模型的散斑图。
图3为不同视角下人头模型的三维测量结果。
具体实施方式
如图1所示,一种基于数字散斑相关的快速三维人头测量方法,包括以下步骤:
步骤1:给人头模型套上带有散斑的头套,将两个相机在同一直线上下放置以获得带散斑的人头模型二维图像。
步骤2:标记出人头模型二维图像中待测的散斑区域,并设置种子点,通过SIFT算法和RANSAC算法获得种子点的初始估计位移。
具体地,通过人机交互的方法手动标记出人头模型二维图像中待测的散斑区域。
具体地,设置散斑区域的中心点为种子点。
进一步的实施例中,种子点的坐标为(xs,ys):
其中,colmax和colmin是待测的散斑区域的水平方向的最大列值和最小列值。rowmax和rowmin是待测的散斑区域的水平方向的最大行值和最小行值。
通过SIFT和RANSAC获得种子点的初始估计位移的具体方法为:
通过SIFT算法分别找到两相机拍摄图像中的SIFT关键点,并排除质量较低的关键点;
对于一个相机拍摄图像中的某一SIFT关键点,其与另一个相机拍摄图像中的所有SIFT关键点组成一系列关键点对,然后计算各个SIFT关键点对之间的距离。然后根据距离大小,按升序对这些SIFT关键点对进行排序。距离最小的为第一关键点对,距离次之的为第二关键点对。通过比较第一关键点对之间的距离与第二关键点对之间的距离的比值是否小于设定阈值。排除一些质量较低的关键点,从而获得匹配度高的关键点对。具体地,设定的阈值为0.6。
通过RANSAC算法,每次随机选择三对不共线的关键点对获得仿射变换参数;由于这些关键点对处于种子点的附近区域,因此通过假设这些点处于局部平滑的平面内,通过估计这些关键点对之间的仿射变换得到种子点的位移。理论上,只需要三对不共线的关键点对即可计算出平面的仿射变换。但是通常需要更多的关键点对从而实现鲁棒的仿射变换参数估计。
具体地,选取的关键点对为以种子点为中心的半径为100pixels的圆形区域内的关键点对。
根据仿射变换参数获得种子点的初始位移和一阶梯度;
根据种子点的初始位移和一阶梯度,通过迭代地运行IC-GN算法获得相似性最大的种子点的形变参数。通常,经过RANSAC算法循环运行1000次可以获得优良的种子点的形变参数。
根据相似性最大的种子点的形变参数,通过迭代地运行IC-GN算法实现单一像素的初始位移估计。
步骤3:通过基于质量图的位移参数传播算法实现全局的位移估计,从而获得两个相机视角之间的人头视差数据,利用相机的标定参数,将视差数据转为三维信息。
实施例
为验证本发明的有效性,使用两台相机(型号acA2440-75um,Basler)和一台计算机构建了一套基于数字散斑相关的快速三维人头测量方法的三维测量装置。该套装置在进行物体的三维测量时的拍摄速度为25帧每秒。
利用步骤1所述,首先给人头模型套上带有散斑的头套,将两个相机相对垂直放置以获得带散斑的人头模型二维图像。
利用步骤2所述,通过人机交互的方法手动标记出图像中待测的散斑区域,设置散斑区域的中心点为种子点,通过SIFT和RANSAC获得种子点的初始估计位移;
利用步骤3所述,使用数字图像相关算法(DIC)可以获得两个相机视角之间的人头视差数据。利用相机的标定参数,将视差数据转为三维信息,从而实现单帧、高精度的三维测量。
本实施例进行人头模型测量实验,单个相机拍摄得到的人头模型的散斑图如图2所示,相应的3D重建结果如图3所示。然后,给出了三个不同视角的相应结果,以说明所本发明的可靠性。图3不同视角下人头模型的三维重建结果。通过实验结果证明,本发明可以实现单帧、高精度的三维人头测量。
Claims (6)
1.一种基于数字散斑相关的快速三维人头测量方法,其特征在于,包括以下步骤:
步骤1:给人头模型套上带有散斑的头套,将两个相机在同一直线上下设置拍摄得到带散斑的人头模型二维图像;
步骤2:标记出人头模型二维图像中待测的散斑区域,并设置种子点,通过SIFT算法和RANSAC算法获得种子点的初始估计位移;
步骤3:通过基于质量图的位移参数传播算法完成全局的位移估计,获得两个相机视角之间的人头视差数据,利用相机的标定参数,将视差数据转为三维信息。
3.根据权利要求1所述的基于数字散斑相关的快速三维人头测量方法,其特征在于,通过SIFT和RANSAC获得种子点的初始估计位移的具体方法为:
采用SIFT算法分别找到两相机拍摄图像中的SIFT关键点,并排除质量较低的关键点;
采用RANSAC算法每次随机选择三对不共线的关键点对获得仿射变换参数;
根据仿射变换参数获得种子点的初始位移和一阶梯度;
根据种子点的初始位移和一阶梯度,通过IC-GN算法获得相似性最大的种子点的形变参数;
根据相似性最大的种子点的形变参数,通过IC-GN算法估计单一像素的初始位移。
4.根据权利要求3所述的基于数字散斑相关的快速三维人头测量方法,其特征在于,排除质量较低的关键点的具体方法为:
分别判断第一关键点对之间的距离与第二关键点对之间的距离的比值是否小于设定阈值,若是,则判断为质量较低的关键点。
5.根据权利要求3所述的基于数字散斑相关的快速三维人头测量方法,其特征在于,设定的阈值为0.6。
6.根据权利要求3所述的基于数字散斑相关的快速三维人头测量方法,其特征在于,所述第一关键点对、第二关键点对的确定方法为:
将一个相机拍摄图像中的任一SIFT关键点与另一个相机拍摄图像中的所有SIFT关键点组成一系列关键点对;
计算各个SIFT关键点对之间的距离;
根据距离大小,按升序对SIFT关键点对进行排序,将距离最小的关键点对作为第一关键点对,距离次之的作为第二关键点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010721959.XA CN112001973B (zh) | 2020-07-24 | 2020-07-24 | 基于数字散斑相关的快速三维人头测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010721959.XA CN112001973B (zh) | 2020-07-24 | 2020-07-24 | 基于数字散斑相关的快速三维人头测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001973A true CN112001973A (zh) | 2020-11-27 |
CN112001973B CN112001973B (zh) | 2022-09-13 |
Family
ID=73466518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010721959.XA Active CN112001973B (zh) | 2020-07-24 | 2020-07-24 | 基于数字散斑相关的快速三维人头测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001973B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113091608A (zh) * | 2021-03-23 | 2021-07-09 | 南京理工大学 | 一种基于网格提取种子点的数字散斑相关快速实现方法 |
WO2022198631A1 (en) * | 2021-03-26 | 2022-09-29 | Harman International Industries, Incorporated | Method, apparatus and system for auto-labeling |
CN112634443B (zh) * | 2020-12-31 | 2024-02-20 | 南京理工大学智能计算成像研究院有限公司 | 一种用于三维人头测量的数字散斑相关快速实现方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106901764A (zh) * | 2017-03-21 | 2017-06-30 | 泰山医学院 | 一种仿人头部的pet/ct成像质量检测体模及其制备方法 |
CN107833181A (zh) * | 2017-11-17 | 2018-03-23 | 沈阳理工大学 | 一种基于变焦立体视觉的三维全景图像生成方法及系统 |
CN110599883A (zh) * | 2019-10-22 | 2019-12-20 | 中国电子科技集团公司信息科学研究院 | 一种人头模型及其制造方法 |
CN110645917A (zh) * | 2019-09-24 | 2020-01-03 | 东南大学 | 基于阵列式相机的高空间分辨率三维数字图像测量方法 |
-
2020
- 2020-07-24 CN CN202010721959.XA patent/CN112001973B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106901764A (zh) * | 2017-03-21 | 2017-06-30 | 泰山医学院 | 一种仿人头部的pet/ct成像质量检测体模及其制备方法 |
CN107833181A (zh) * | 2017-11-17 | 2018-03-23 | 沈阳理工大学 | 一种基于变焦立体视觉的三维全景图像生成方法及系统 |
CN110645917A (zh) * | 2019-09-24 | 2020-01-03 | 东南大学 | 基于阵列式相机的高空间分辨率三维数字图像测量方法 |
CN110599883A (zh) * | 2019-10-22 | 2019-12-20 | 中国电子科技集团公司信息科学研究院 | 一种人头模型及其制造方法 |
Non-Patent Citations (1)
Title |
---|
陈妮等: "基于深度测量的三维成像技术", 《红外与激光工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634443B (zh) * | 2020-12-31 | 2024-02-20 | 南京理工大学智能计算成像研究院有限公司 | 一种用于三维人头测量的数字散斑相关快速实现方法 |
CN113091608A (zh) * | 2021-03-23 | 2021-07-09 | 南京理工大学 | 一种基于网格提取种子点的数字散斑相关快速实现方法 |
WO2022198901A1 (zh) * | 2021-03-23 | 2022-09-29 | 南京理工大学 | 一种基于网格提取种子点的数字散斑相关快速实现方法 |
WO2022198631A1 (en) * | 2021-03-26 | 2022-09-29 | Harman International Industries, Incorporated | Method, apparatus and system for auto-labeling |
Also Published As
Publication number | Publication date |
---|---|
CN112001973B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001973B (zh) | 基于数字散斑相关的快速三维人头测量方法 | |
CN110285793B (zh) | 一种基于双目立体视觉系统的车辆智能测轨迹方法 | |
EP3907702B1 (en) | Three-dimensional sensor system and three-dimensional data acquisition method | |
CN105654507B (zh) | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 | |
CN111563952B (zh) | 基于相位信息与空间纹理特征实现立体匹配方法及系统 | |
CN110766669B (zh) | 一种基于多目视觉的管线测量方法 | |
WO2011145285A1 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN109859272A (zh) | 一种自动对焦双目摄像头标定方法及装置 | |
CN104101331A (zh) | 基于全光场相机的非合作目标位姿测量 | |
CN106033614B (zh) | 一种强视差下的移动相机运动目标检测方法 | |
JP2002024807A (ja) | 物体運動追跡手法及び記録媒体 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
Furukawa et al. | One-shot entire shape acquisition method using multiple projectors and cameras | |
Ahmed et al. | Pothole 3D reconstruction with a novel imaging system and structure from motion techniques | |
CN113393439A (zh) | 一种基于深度学习的锻件缺陷检测方法 | |
CN102881040A (zh) | 一种数码相机移动拍摄三维重建方法 | |
Meng et al. | Defocused calibration for large field-of-view binocular cameras | |
CN112712566B (zh) | 基于结构参数在线校正的双目立体视觉传感器测量方法 | |
Han et al. | A PTV-based feature-point matching algorithm for binocular stereo photogrammetry | |
CN110702015B (zh) | 输电线路覆冰厚度测量方法及装置 | |
CN110487254B (zh) | 一种用于rov的水下目标尺寸快速测量方法 | |
CN108090930A (zh) | 基于双目立体相机的障碍物视觉检测系统及方法 | |
CN115049784A (zh) | 一种基于双目粒子图像的三维速度场重建方法 | |
Zhang et al. | Kinect-based universal range sensor for laboratory experiments | |
Jiang et al. | Stereo matching based on random speckle projection for dynamic 3D sensing |
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 |