非剛性運動恢復結構算法性能穩(wěn)定性問題的研究.pdf

1、近年來，三維重構技術已成為計算機視覺研究領域的一個重要分支，并被廣泛應用到其他領域，如醫(yī)學圖像處理，機械產品診斷，機器人導航等。在眾多三維重構算法中，從二維圖像特征點序列恢復變形物體的三維結構以及運動信息的非剛性運動恢復結構(Non-rigid structure from motion: NRSFM)模型重構方法，由于較方便且成本低，得到了廣泛的研究和應用。
　　目前存在一些非剛性運動恢復結構模型的算法重構效果較好，但也存在了些

2、問題。一方面，物體運動過程中，由于遮擋、旋轉等因素，獲取的二維圖像序列中，部分幀的特征點信息不完整。對于有缺失分量的觀察值，進行深度估計時，首先應該進行缺失值估計。目前存在的缺失值估計算法在小樣本情況下對缺失值的估計效果不理想，估計精度有待于進一步提高。另一方面，三維運動恢復算法的參數(shù)變化時，運動恢復的結果也會相應發(fā)生變化，因此會造成算法性能不穩(wěn)定，以及運動恢復效果不理想等問題。
　　針對上述問題，本文開展了以下兩方面的研究工作:

3、
　　第一，利用非剛性運動恢復結構模型的列空間擬合算法(column space fitting:CSF)，提出了一種基于樣本子空間的缺失值估計集成模型，來提高缺失值估計的精度。在我們提出的方法中，首先從原有的圖像序列中提取出部分子序列，并用CSF算法對各個子序列分別進行缺失值估計。然后，建立線性規(guī)劃模型，計算最優(yōu)加權系數(shù)，對弱估計器得到的估計結果進行線性加權，獲得的結果作為最終的估計值。第二，提出基于旋轉不變核算法(rotati

4、on invariant kernels: RIKs)的三維重構集成方法，以降低參數(shù)變化造成的估計性能的波動，并有效提高重構的精度。在我們的工作中，首先對影響重構結果的參數(shù)進行網格化劃分，并分別把每一組參數(shù)值輸入到NRSFN-RIKs算法中，估計特征點的三維坐標值。然后，對估計結果計算截尾平均，作為最終的重構結果。
　　本文提出的兩種方法分別在多組被廣泛應用的圖像序列上進行了實驗。實驗結果表明，我們提出的算法，有效改善了目前方法存