非剛性運動恢復(fù)模型的性能增強(qiáng)研究.pdf

1、非剛性運動恢復(fù)結(jié)構(gòu)技術(shù)利用物體二維圖像序列的特征點觀察數(shù)據(jù)，建立空間投影模型，估計出物體的三維結(jié)構(gòu)和相關(guān)的運動參數(shù)。作為計算機(jī)視覺研究領(lǐng)域的一個重要方向，廣泛應(yīng)用于人臉識別、場景重構(gòu)等眾多應(yīng)用場合。而實際應(yīng)用中，可以提取的高質(zhì)量圖像有時會比較少。在這種情況下，對于已有的各種非剛性運動恢復(fù)結(jié)構(gòu)模型，其估計精度通常會顯著下降。另一方面，對于在線學(xué)習(xí)算法，存在著高自由度下重構(gòu)精度低、訓(xùn)練時間長等缺點。針對上述問題，我們開展了以下兩個方面的研究

2、工作。
　　(1)提出了一種有效的基于多個子序列弱估計結(jié)果集成的三維重構(gòu)算法。首先，我們從原始序列中隨機(jī)提取出若干相同大小的子序列。為了獲得多元的估計值，進(jìn)一步的，將所提取的子序列，分別通過基于旋轉(zhuǎn)不變核函數(shù)的重構(gòu)算法獲得多個弱估計結(jié)果。最后，利用截尾平均法對上述所獲得的不同弱估器的輸出結(jié)果進(jìn)行集成，得到最終的z坐標(biāo)估計值。與目前已有的多種重構(gòu)算法相比較，所提出的方法顯著提高了小樣本序列的三維估計精度。
　　(2)提出了一種

3、基于微分進(jìn)化算法的在線重構(gòu)算法。首先，我們選取與新增待估計幀相鄰的前若干幀圖像，去計算非剛性運動結(jié)構(gòu)的剛性平均形狀。進(jìn)一步的，我們分別采用基于若干不同低秩的形狀基矩陣來描述物體的非剛性形變。至此可根據(jù)不同低秩分別獲得相應(yīng)重構(gòu)結(jié)果。最后針對上述各粗估計結(jié)果，我們引入了微分進(jìn)化算法進(jìn)行進(jìn)一步優(yōu)化，以獲得最終三維形狀。通過一組常用實驗數(shù)據(jù)所得實驗結(jié)果，證明我們所提出的在線重構(gòu)算法相比于基于秩增長的重構(gòu)算法，不僅顯著提高了重構(gòu)準(zhǔn)確率而且還大大節(jié)