2026《多视角图像的骨架提取方法研究的国内外文献综述》4100字.docxVIP

PAGE59

多视角图像的骨架提取方法研究的国内外文献综述

1.1基于传统方法的多视角图像的骨架提取

到目前为止，使用传统方法进行多视角图像的骨架提取大致的分为两步骤。首先必须将多视角图像进行三维重建，重建为点云模型或者网格模型。然后再从得到的三维模型中提取三维人体骨架。

现在SfM(Structurefrommotion)是比较常用的基于多视角图像进行三维点云模型重建的技术，它是一种多个二维图像序列中推断3D信息的算法，该算法对于采集到的图像的顺序没有要求，即是一种基于无序多视角图像的3D重建离线算法。SfM中有个工具包Bundler，它的原理是可以把多角度图片生成稀疏的三维数据，而且也会把每张图片的相机参数估计出来为重建密集建云做准备。YasutakaFurukama博士为了将稀疏点云重建为密集点云，编写了生成密集的重建模型REF_Re\r\h\#[0[1REF_Re\r\h#0]-2]的算法PMVS（Thepatch-basedMVSalgorithm）。将使用SfM方法得到的数据输入到PMVS算法中，PMVS算法只会一些重建刚性结构，它会自动忽略无用的非刚性的结构。CMVS（ClusteringViewsforMulti-viewStereo）算法是对PMVS和Bundler进行进一步了集成，使用起来更加的方便。当然，如果为了减少数据量并提高密集匹配的效率，使用CMVS对图像进行聚类和分类REF_Re\r\h\#[0[3-REF_Re\r\h\#0]5]是有必要。

三维网格模型是在点云模型的基础上进行表面重建来获得的。目前，常用的表面重建方法有参数化方法和隐式方法这两类。其中，参数化方法是使用Delaunay三角剖分或Voronoi图来构造重建表面的拓扑结构。另一种隐式方法是通过构造一个水平集函数来实现的表面重建的，可以由具有代表的有径向基础核REF_Re\r\h[6]和向距离场函数这两种函数来表达。2006年Funkhouser等人REF_Re\r\h[7]提出了利用泊松表面重建的方法对点云模型进行重建，该方法在其他方法上进行改进，将需要重建的所有点考虑在内，这样重建出来的三维网格模型会更加的贴近真实的被重建对象，而且该方法还可以排除存在于点云模型中的异常点REF_Re\r\h\#[0[8-REF_Re\r\h\#0]9]。

上面介绍了从多视角图像怎样通过三维重建得到三维模型，接下来就是第二步，从三维模型中怎样提取三维人体骨架。目前，根据输入三维模型类型的不同，可以分为两类方法从三维模型中进行骨架的提取。

首先介绍第一类从网格模型中提取骨架的方法。该方法包括体积法、几何法以及拉普拉斯平滑约束法这三种。1)体积法是使用三维模型内部的信息来进行骨架的提取，其中具有代表性的方法体素细化法和距离场法。Ma等人REF_Re\r\h[10]在2002年提出了一种基于拓扑细化并且进行并行细化的方法来提取骨架，该方法可以保障能得到连续的骨架，并且可以保留原有的拓扑结构。2)基于距离场的方法需要建立模型对应的距离场，通过计算模型内的点到边界的最小距离来提取骨架。较早的基于距离场的方法有Zhou等人REF_Re\r\h[11]在1999年提出的，该方法能够得到比较准确的外形。几何法是通过使用三维模型的表面信息进行骨架提取。较典型的基于分割的方法REF_Re\r\h[12]REF_Re\r\h[13]就属于几何法。例如，Katz和TalREF_Re\r\h[14]将图形切割应用在网格模型上来执行网格分解，而且该方法是先进行切割再把各个组成部分连接起来。3)拉普拉斯平滑约束法。由于拉普拉斯系统很难通过权重的大小来控制骨架的光滑程度，Nealen等人REF_Re\r\h[15]为了解决这个问题，提出了网格优化技术。Au等人REF_Re\r\h[16]通过使用收缩具有拉普拉斯平滑约束的方法从网格中提取骨架。

接下来就是另一类从点云模型中提取骨架。经典的方法包括Zhang等人提出的基于L0的骨架优化方法REF_Re\r\h[17]，Tagliasacchi等人REF_Re\r\h[18]提出旋转对称轴方法，该方法可以从不完整的点