基于立体视觉的多气囊柔性人台腹部体型重建研究.ppt

感谢各位专家莅临指导！ * 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 互相学习的自适应PSO算法 整像素搜索阶段得到的整像素坐标 是上一邻近特征点最后一次迭代适应度最优的前n-1个 粒子计算得到的精确亚像素坐标 图12. MLADPSO算法思想示意图 智能系统与网络智能实验室 实验结果与分析 5. 基于数字图像的腹部变形体型的 三维重建与测量 以多气囊柔性人台为实验对象，对柔性人台腹部气囊充入10kpa和20kpa，针对形成的两种典型体型模特展开实验，实现腹部变形体型三维重建和测量。 体型可变的多气囊柔性人台(图(a))， 电子充气泵(图(b))， 图(c)是实验用的软件平台。 （a）前腹部初始图 （b）10kpa前腹部图 （c）20kpa前腹部图 图14. 不同体型前腹部图像 图13. 实验设备及软件平台 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 （a）整体流程图 （b）整像素粗搜索过程流程图 （c）亚像素精定位过程流程图 图15. 算法流程图 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 整像素粗搜索实验 （a）初始图10kpa误匹配对 （b）初始图20kpa误匹配对 图16. 传统方法的误匹配对 （a）初始图10kpa误匹配对 （b）初始图20kpa误匹配对 图17. 本文方法的误匹配对 传统图像匹配方法与本文方法的对比 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 表4-1 整像素搜索性能参数 表示正确匹配率 表示查全率 是匹配所消耗的时间 整像素位置坐标与真实坐标值 在x轴上的误差 整像素位置坐标与真实坐标值 在y轴上的误差 表示x轴上误差的均差 表示x轴上误差的标准差 表示y轴上误差的均差 表示y轴上误差的标准差 本文方法的正确匹配率和查全率都优于传统方法。尤其，当发生大变形时，传统方法得到的正确匹配率和查全率都存在不同程度的下降，而本文方法的结果都保持较好的稳定性和鲁棒性，此外，本文方法在x轴和y轴上的像素定位误差值远小于传统方法得到的结果。两种方法所耗时间相差不大。 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 （a）和（b）是充10kpa时的结果，（c）和（d）是充20kpa时的结果。传统方法获得的结果误差较大，尤其是随着变形程度加大，误差也出现了较大的增加 图18. 传统方法的误匹配点坐标误差分析（10kpa和20kpa） 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 （a）和（b）是充10kpa时x轴和y轴坐标上的误差（c）和（d）是充20kpa时x轴和y轴坐标上的误差。本文方法的整像素粗匹配坐标值与真实误差较小，即便是当变形程度增大时其依然保持较好的鲁棒性。 图19. 本文方法的误匹配点坐标误差分析（10kpa和20kpa） 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 表4-2 本文方法与传统方法误匹配点的坐标误差比较（10kpa） 表示传统方法的坐标误差值 是本文方法坐标定位误差值 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 表示传统方法的坐标误差值 是本文方法坐标定位误差值 表4-3 本文方法与传统方法误匹配点的坐标误差比较（20kpa） 传统方法得到的坐标误差本文方法的好几倍，而且随着变形程度加大，传统方法的误差值增加较大，本文方法却只有较小的变化，表现出良好的稳定性和实用性。 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 亚像素精定位实验 图20. Netwon和MLADPSO方法的亚像素定位坐标误差分析（10kpa和20kpa） MLADPSO方法与Netwon比较： 智能系统与网络智能实验室 5. 基于数字图像的腹部变形体型的 三维重建与测量 表4-4 Netwon与MLADPSO亚像素坐标误差分析和时间代价比较（10kpa） 坐标误差均值 坐标误差标准差 亚像素定位的运算时间 智能