一种基于EGI和标准人脸模板的三维人脸点云拼合算法.docVIP

一种基于EGI和标准人脸模板的三维人脸点云拼合算法 　　摘 要：对重合区域较少的两组不同角度获取的三维人脸点云数据，直接寻找对应点进行点云拼合的难度很大。为解决这一问题，提出一种基于EGI和标准人脸模板全自动点云数配准拼合算法。针对待配准的三维人脸点云以及标准人脸点云模型，首先通过局部最小二乘曲面拟合，估计每个点的法向和曲率，其次计算点云的扩展高斯图（EGI），然后利用EGI上对应的特征点计算欧拉角，分别使待配准三维人脸点云旋转至与人脸模型大致相同的位置，完成粗配准，并把粗配准结果作为新的初始位置。采用最近点迭代算法（ICP）分别对三维人脸点云与标准人脸模型进行精确配准，从而实现两组三维人脸点云的拼接。 　　关键词关键词：点云拼接；三维人脸；高斯图；最近点迭代算法；欧拉角 　　DOIDOI：10.11907/rjdk.162008 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号2016）011004204 　　基金项目基金项目： 　　作者简介作者简介：张辰阳（1991-），男，湖北恩施人，四川大学空天科学与工程学院硕士研究生，研究方向为计算机视觉导航、三维人脸重建。 　　0 引言 　　随着三维点云数据获取手段的增多以及对于三维重建技术需求的增大，不同角度的三维点云数据拼合技术[1]逐渐成为研究热点。目前，解决点云配准拼合的技术一般分为手动配准以及自动配准两大类。前者需要在被测物体的重叠区域上人为贴上标记点[2]，从而通过标记点计算坐标系的旋转、平移参数。对于后者，通常要求两幅点云具有足够多的重叠区域，这样才能够通过算法快速、灵活地寻找两组或者多组数据间的对应关系，最终精确求解出点云数据间的旋转、平移关系。在自动配准中运用最为广泛的是由 Besl等[3]提出的最近点迭代算法（iterative closest point， ICP），该算法以相对位置经过粗略配准的两片点云数据为基础，迭代求解两片或者多片点云数据间的对应点及对应点之间的刚性变换（旋转、平移）关系，直到对应点之间的距离误差评价函数最小。实际上，一般待配准的点云数据间的相对位置是未知的，如何利用粗略配准将点云数据间的相对位置变换到ICP算法的收敛域（即迭代可以收敛）成为解决问题的关键。许多ICP 改进算法主要还是针对某些特征信息建立点云数据间的相互关系。这些特征信息包括法向[4]、曲率[5]、体积分[6]等简单的一维特征描述函数，还包括旋转图像[7]、形状内容[8]等高维特征描述函数，有的甚至还包括颜色、强度值等辅助信息，它们都是不依赖于点云数据的三维旋转与平移的。 　　在人脸重建领域，需要拼接配准的两幅点云没有足够大重叠区域，然而上述算法都必须依赖与两幅点与数据具有足够大的重叠区域。因此，针对重叠区域很小的两幅人脸点云数据（如两幅侧脸角度达到45°的三维人脸数据），本文提出了一种扩展高斯图（EGI）和标准人脸模板的点云拼合算法。该方法可以处理空间任意位置的人脸散乱点云，且对点云的重叠度没有要求。只需要利用点云自身整体的几何信息，分别将待配准的点云以及人脸模板的信息映射到高斯球面，分别完成两幅点云与人脸模板的粗配准，从而将两幅待配准点云的相对位置转换到ICP算法的收敛域，最后完成精确配准。 　　1 EGI扩展高斯图建立 　　1.1 模型建立 　　在建立扩展高斯图之前，首先需要计算点云的法线和曲率。对于点云中的任一点，其法向量等价于该点及其邻域的最小二乘拟合平面的法向量。点c为点pi的邻域Nbhd（pi）的质心： 　　在建立扩展高斯图之前，首先需要计算点云的法线和曲率。对于点云中的任一点pi，其法向量等价于该点及其邻域Nbhd（pi）的最小二乘拟合平面的法向量ni。点c为点pi的邻域三维物体的高斯图像是将物体上的一点映射到高斯球（单位球面）上的一点，并且满足对用点具有相同的法线方向。特别地， 如果物体中包含一个平面，则平面上所有点均被映射至高斯球上的同一点。扩展高斯图（EGI）建立在高斯图像基础上， 是一种形状表示， 主要用于表征三维物体的几何特征，示例见图2，其为六面体的高斯映射。基本思想为将三维物体的每个面片映射到一个单位球面上来获取球面图像，向量的方向与物体面片的法向量方向一致，向量的模等于面片的面积，EGI记录了面片法向落入全空间各个方向的多边形面积大小。用函数表示为： 　　1.2 对应点对确定 　　在点云配准中，确定对应点对的方法很多。比如马忠玲等[11]提出的一种基于曲率的点云特征点提取方法，首先利用面（moving least squares surfaces） 快速有效地计算出散乱点云每一点的高斯曲率、平均曲率和主曲率值，提取局部曲率变化最大的点作为特征点，然后利用点的曲率的距