导读:本文包含了多视图模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:视图,模型,图像,多核,在线,计量学,全景。
多视图模型论文文献综述
曹文意,陈继民,袁艳萍,刘思达[1]（2019）在《基于多视图的叁维模型采集系统的研制》一文中研究指出研制了一种基于多视图的叁维模型采集系统,该系统用叁维扫描和立体视觉技术,利用一台相机,结合必要的机械结构即可完成叁维模型的采集工作。实验研究结果表明:该系统在圆周方向的测量平均偏差Rr=0. 94,在长度方向的测量平均偏差Rl=0. 87,符合一些3D打印逆向工程领域的精度要求,与传统的叁维模型采集系统相比较,该系统成本较低,可以完成较高精度的叁维模型采集工作,为深入研究叁维模型采集系统奠定了良好的基础。(本文来源于《计量学报》期刊2019年06期）
靳宏伟[2]（2018）在《基于形变模型的多视图人脸图像的叁维重建》一文中研究指出近年来,叁维人脸模型被广泛地应用于各种各样的领域,建立真实感的叁维人脸模型成为了计算机视觉和图像学领域中最具挑战性的课题之一。相对于二维图像,叁维模型更能反映出更多的内在信息。正因为其有着广阔的应用价值和应用前景,叁维人脸重建技术成为了目前国际上最活跃的研究热点。目前很多人使用形变模型进行人脸的叁维重建,其中大部分都是针对单幅图像进行重建,由于单幅图像缺少多角度信息,不能确定每个角度都可以获得较好的结果。为更好地解决此问题,本文提出了基于形变模型的多视图人脸图像的叁维重建方法。包括以下几个方面:(1)人脸叁维重建中首先需要进行形变模型与多视图人脸图像匹配,并且是最关键的步骤之一,为使匹配后的模型更为精细,本文提出了一种有效的形变模型与多视图人脸图像匹配方法,根据图像特征点信息,使用叁维人脸稠密匹配方法(3D Dense Face Alignment,3DDFA)估计出每幅图像的模型参数,形变模型根据模型参数发生变形,可以得到一组变形后的叁维人脸模型。(2)为获取匹配后的人脸模型,本文提出了一个模型函数,该函数关联了每幅图像的参数信息,通过求取变形后人脸模型的平均值,获取最终一个匹配后的与目标人脸相似的叁维模型。实验结果从定性和定量的角度证明了本文匹配后的模型更为精细,从而表明了方法的有效性。(3)匹配后虽然整体上与目标人脸相似,但整体上仍然缺少一些局部细节,本文使用光度立体视觉技术,通过假设光照模型,恢复表面法线信息来增强模型的细节。实验结果通过与其他重建方法对比,通过定性和定量分析证明了本文的重建模型效果更好,鲁棒性更强。(4)为把本文所做的理论工作付诸于实践中,设计开发了一款简易操作的叁维人脸重建系统。该系统实现了人脸重建中的基本过程,对本文提出方法的有效性进行了验证。(本文来源于《西北大学》期刊2018-06-01）
周妍[3]（2018）在《融合场景语义信息的多视图室内叁维模型重建研究》一文中研究指出随着室内叁维GIS系统和室内位置服务的深入发展,构建低成本大规模室内叁维模型成为重要的基础。然而,相比于已经实现大规模便捷重建的室外叁维模型,室内叁维模型重建面临着数据匮乏、数据采集困难、自动化程度低、建模范围小等问题,严重地制约了在室内位置服务中的应用和发展。此外,由于室内空间具有结构复杂、对象繁多、且存在遮挡区域等特征,传统的室外叁维重建技术不能直接应用于室内场景的叁维重建,因此,如何快速、低成本自动构建大规模几何一致的室内叁维模型具有重要意义。近年来,激光扫描仪和深度相机的发展为构建室内叁维模型提供了有效的解决方案,然而激光扫描仪价格相对高昂,在遮挡和结构复杂的区域存在观测遗漏,导致模型存在空洞,给大范围、完整的室内叁维模型重建带来了困难。深度相机建模方式主要适用于小范围场景或局部对象建模,远距离的深度测量数据存在噪声。而且需要数据采集人员保持相对缓慢的行走速度,以保证在实时深度融合过程中的数据质量。这种依赖专业设备和专业人员操作的模式依然无法满足低成本大规模的室内叁维模型构建需求。因此基于图像的建模方法,以其数据获取方式简单以及建模过程无需依赖专业设备和专业人员的特点受到了广泛关注。但针对室内环境特征和室内应用要求,传统基于图像的建模方法依然存在以下问题和挑战:(1)建模效率低。传统方法在构建模型时一次性输入所有图像进行叁维点云模型重建,冗余的图像间两两匹配,使计算量成指数倍增长。(2)语义信息提取困难。由于室内结构复杂且构建3D特征描述算子困难,使叁维点云模型的语义提取和对象分类非常困难,从而造成大多数几何精确而语义未知的“盲点云”。(3)模型几何缺失。由于室内图像存在弱纹理、光照不均(高光、反光)、遮挡等问题,生成的点云模型会存在空洞,导致现有单纯基于几何的表面重建方法无法得到完整的室内叁维表面模型。针对室内叁维建模存在的问题,本文融合场景语义信息,开展了从图像构建叁维点云模型,利用图像语义进行叁维点云语义标记,并生成叁维表面模型的室内叁维模型重建研究,主要研究内容与创新之处包括:(1)系统地总结了基于图像的叁维重建方法。本文分析了室内叁维模型重建的相关方法和问题,并对基于图像的室内叁维重建方法进行了详细的讨论和总结。(2)提出了基于图像语义分类的分层SfM室内叁维点云模型快速重建方法。由于室内空间存在结构复杂、对象繁多、且存在遮挡区域等特点,传统增量式SfM算法难以获得正确、完整的叁维点云模型,因此本文提出了一种基于图像分类的分层SfM室内叁维模型快速重建方法,首先利用视觉词袋模型和支持向量机进行有效的室内图像分类,并分别快速重建局部区域叁维点云模型,然后利用RANSACGPA算法将局部区域叁维点云模型拼接为一个完整的室内叁维模型,降低计算复杂度,提高建模效率。(3)提出了基于图像语义传递的室内叁维点云模型语义标记方法。由于缺乏有效的3D特征描述算子和足够的训练数据,直接对3D点云模型进行语义分类十分困难。因此本文提出了一种基于图模型的2D图像语义到3D点云语义传递方法,实现3D点云模型语义标记。首先利用深度学习在2D图像上的精确分类能力,使用全卷积神经网络(FCN)进行室内对象语义分类并提取空间布局,然后构建马尔科夫随机场图模型,利用图像间一致性和图像内一致性进行2D图像语义到3D点云语义传递,实现室内叁维点云模型的语义标记,有效降低室内点云语义标记的难度。(4)提出了融合场景语义和几何信息的叁维表面模型重建算法。由于点云模型中存在噪声和空洞现象,使得构建稠密完整的室内叁维表面模型十分困难。因此在语义标记的室内叁维点云模型的基础上,本文提出了一种融合语义和几何信息的表面模型重建算法,把语义对象所具有的几何结构和空间关系作为先验项,融合到表面模型的网格构建中,提高室内叁维表面建模的几何准确度和完整度。(5)构建了基于室内叁维模型的视觉定位应用示例。在实地采集图像数据进行室内叁维模型重建的基础上,本文在智能手机端构建了基于室内叁维模型的视觉定位应用系统。面向叁维模型在室内位置服务中的应用需求,本文在构建室内叁维模型后,融合基于图像的视觉定位和行人轨迹推算(PDR)方法在智能手机上提供行人室内定位服务,实验表明在无需其他定位设施的情况下,可以实现1米左右的定位精度。本文在真实室内场景下,利用智能手机和单反相机采集图像作为实验数据,进行室内叁维模型重建实验。为验证本文提出基于图像语义分类的分层SfM快速建模方法的有效性,与经典的重建方法进行对比实验,结果表明本文提出的方法可以极大提高建模效率且具有可扩展性,可以满足低成本、大范围室内叁维模型重建需求。在叁维点云模型语义标记方面,本文提出的方法在无需标记叁维训练数据集的情况下,能够实现准确的室内对象语义标记,为得到丰富的室内场景语义信息提供了新思路。同时,与其他经典表面叁维模型重建方法对比的结果表明,本文提出的融合语义与几何先验的室内叁维表面模型重建方法可以根据语义对象的几何特征,更好的弥补点云模型中的空洞,准确恢复墙面、地板等完整表面模型,为构建室内GIS系统和室内位置服务的提供了重要的数据基础。(本文来源于《武汉大学》期刊2018-05-01）
杨克[4]（2018）在《基于DWH模型对多模态数据的多视图度量学习方法研究》一文中研究指出近年来,随着社会和科技的发展,多模态数据正在爆炸式迅速增长,例如社交媒体数据,通常在机器学习领域的研究任务中,有时候需要多视图学习,即从原始数据集派生成多个视图进行统计分析,有时候需要进行度量学习,因为学习一个好的距离度量函数在信息检索,聚类,分类中是极其关键的,但是现有的研究成果很少有将这两个领域结合起来的,即多视图度量学习。考虑到多模态数据的特殊结构,如果从单一视图考虑,可能没有办法充分挖掘数据的价值,而且在度量学习过程中,使用传统的欧式距离或者马氏距离是不合适的,因为属性变量之间可能会存在相应的相关系数约束,这样看来多视图度量学习是一个很好的解决方案。本文基于双翼簧风琴(Dual Wing Harmonium,DWH)模型对多模态数据进行多视图度量学习方法研究,将多视图学习和度量学习结合起来,主要工作包含以下两个方面:1)提出了一种基于DWH模型的多视图度量学习算法MVDML,该算法通过从多模态数据中提取不同的信息,试图将多个视图嵌入在一个单一的低维隐变量空间,通过最小化相似数据对之间的距离并且最大化非相似数据对之间的距离,在接下来的监督学习的过程中学习最合适的距离度量,针对数据模态超过两个的情形,本文将DWH模型扩展为叁翼簧风琴(Triple Wing Harmonium,TWH)模型,并且对成对约束条件的生成进行了优化,使用Dask和Numba进行数据预处理来实现并行加速的目的,实验结果表明该算法是有效并且可扩展的,通过对代码级别的并行加速可以大幅减少算法的运行时间。2)通过特征工程,提取多模态数据中的关键信息,将原始数据转化为特征向量作为算法模型的输入,希望提高模型的准确率,得到更好的结果。本文主要针对IMDb数据集从用户数据、电影数据、评论数据叁个模态提取信息,为了得到模型参数,本文在算法里通过在低维隐变量空间模型里使用联合概率密度和损失函数,在解释数据和提供一个有效的距离度量之间找到平衡同时避免过拟合,并和主流的模型和算法进行对比,实验结果表明该算法模型在分类和检索效率上是最优的,计算时间上是有效的。(本文来源于《华南理工大学》期刊2018-04-20）
张屹然[5]（2018）在《基于划分模型的多视图聚类算法研究》一文中研究指出近年来,由于数据采集手段的丰富和多样化,往往从不同的的角度对同一事物进行描述,从而产生了大量的多视图数据。这些数据大部分是以无标记的形式存在,因此对此类无监督数据的分析与挖掘显得尤为关键。聚类分析作为机器学习中一种重要的无监督学习方法,可有效挖掘出数据中的有价值信息。本文在理解和分析前人工作的基础上,提出了一系列基于划分模型的多视图聚类算法,具体工作如下:1)提出了一种基于子空间结构保持的多视图协同聚类算法。该算法在单个视图中利用整体和局部聚类结构保持的降维技术获得子空间聚类结果,并利用该结果指导其他视图中子空间聚类结果的形成,从而在多个视图上获得聚类内紧凑、聚类间离散、近邻关系保持的聚类划分。通过人工数据集以及真实数据集上的实验,证明了算法的正确性与有效性。2)提出了一种基于模糊划分的多视图聚类算法。与硬划分的多视图聚类算法相比,该算法能够较为真实的描述多视图数据与各个类别之间的关系,对聚类结果具有较好的解释性。此外,该算法对各个视图设置不同的权重,通过优化多视图聚类目标函数,可获得最优的视图权重,从而反映出不同视图的重要程度。实验结果表明,该算法不仅可获得多视图数据与类别之间的模糊隶属关系,而且可优化出有效的视图权重。3)提出了基于在线学习策略的多视图模糊聚类算法。该算法对数据进行分片,设计出聚类中心和聚类隶属度的在线更新模型,依次对每个数据块进行处理从而获得最终聚类结果。该算法在对当前数据块进行多视图模糊聚类的同时需考虑之前所有数据块聚类合成过后的信息,从而有效解决内存限制问题。实验结果表明,该算法在实现在线多视图模糊聚类模式的同时保证了聚类的正确率。(本文来源于《南京师范大学》期刊2018-03-28）
许磊[6]（2017）在《基于多视图的叁维模型检索系统》一文中研究指出随着科学技术的进步,计算机基础设备,图形传感器等硬件设备的性能不断攀升,叁维模型的数目呈爆发式增长。叁维技术在计算机辅助设计,医学成像,叁维游戏,虚拟现实,地理信息系统,生物仿真,影视动画等领域发挥着越来越重要的作用。在实际的生产中,大多数的需求都可以通过在现有的叁维模型的基础上修缮来满足。因此如何在现有的叁维模型数据集中方便快捷而又高效得查找到满足要求的叁维模型成为研究热点。基于文本的检索技术原理简单,但是需要很多人力资源,而且由于人的主观差异会造成很大误差。而基于内容的检索算法关注模型自身的视觉特性,在效率和成本方面都有良好的表现是当前的主要研究方向。本文首先从研究背景和意义,国内外研究现状等方面对叁维模型检索领域进行了相关介绍;其中重点研究了基于多视图的叁维模型检索方法,介绍了常见图像特征提取的原理及其优缺点和常见相似性度量方法。随后介绍了当前热门的开源检索引擎,深入学习了Lucene检索引擎的原理和具体实现方法以及基于Lucene的图像特征索引工具LIRE(Lucene Image Retrieve)工具包,掌握了其整体架构、核心索引和搜索模块。然后利用基于视图的叁维模型检索算法研究成果和开源搜索引擎实现的一种基于多视图的叁维模型检索系统。该系统,应用后台基于SpringMVC架构具有良好的松耦合性,持久层使用Mybatis框架使得持久层更加灵活。系统具有文字、图片和模型搜索功能。最后,从查全率和查准率两个方面证实了检索系统良好的检索效果。(本文来源于《天津大学》期刊2017-11-01）
高进宝[7]（2017）在《一种基于多视图的模具装配模型》一文中研究指出为了较完整地构建装配信息,提高装配可扩性,提出了基于多视图的装配模型。该模型从装配元、装配功构和装配关系上出发,分别构建了基于XML的装配元信息视图、基于装配树的功构视图和装配关系视图。叁种视图信息交互,促进了信息的全面性与完整性;XML语言及装配树理论的引入实现了装配信息的可扩性。最后以模架导向冲裁模为例验证了该模型在产品装配上具有一定的实用价值。(本文来源于《装备制造技术》期刊2017年06期）
张佩瑞[8]（2017）在《基于多核学习的多视图增量聚类模型研究》一文中研究指出人们的生活包含着各式各样的数据,许多数据中都含有很重要的信息。数据挖掘就是从海量数据中提取重要信息的一种技术。作为数据挖掘中的一个重要方法,聚类分析可以有效地将这些数据按照相似度划分为不同的簇,可以便捷地发现数据对象的内在分布规律。每个簇中的数据样本都具有相似的信息,不同簇间的数据具有差异较大的信息。而随着数据越来越复杂,传统的聚类算法无法从多个角度对数据进行分析,多视图聚类算法应运而生,并成为了现阶段研究的热点。多视图数据集是由从不同角度描述同一事物的数据组成的,多视图聚类算法通过组合所有视图中的有效信息对样本进行聚类,并得到最终的聚类结果。核函数是处理线性不可分数据的一种有效方法,而多核学习(MKL)是对核函数的一种改进方法,其将现有的核函数进行线性组合得到组合核函数来代替单核函数,并通过调整每个核函数的权重,使其适用于不同类型的数据集。本文基于多核学习的思想,提出基于样本加权和多核学习的多视图聚类算法,此算法通过对不同视图对某个样本的贡献度加权,并将权重的乘积设置为1,增加贡献度较高的视图所占的比重,提高聚类质量。本文还引入了改进的加权高斯核,解决了核函数选择的问题,最终通过迭代方法获得权重值与聚类结果。通过在多个数据集上进行实验证明了该算法具有更高的聚类质量。增量聚类算法是一种处理动态增加数据的经典方法。在已有聚类结果的基础上,逐个或逐批次的处理新增数据,可以避免大量的重复计算,以提高聚类效率。本文将增量聚类应用于多视图数据集上,提出了基于核K-means的多视图增量聚类算法,该算法将数据集划分为多个数据块,并对每个数据块使用多视图核K-means聚类算法进行聚类,最终将所有块得到的聚类结果进行合并,并再次聚类得到最终的聚类结果。通过在多个数据集上实验,证明该算法在保证聚类质量的基础上,降低了聚类所需的时间。(本文来源于《西南交通大学》期刊2017-04-07）
王力[9]（2016）在《基于全景影像序列的球面立体视觉多视图几何模型研究》一文中研究指出按照计算机球面立体视觉的多视图几何约束原理所构建的虚拟球面成像模型,本文称之为球面立体视觉多视图几何模型。基于多视几何理论的球面立体视觉系统的本质性研究工作,就是构建基于全景影像序列的球面立体视觉多视图几何模型。本文在对计算机立体视觉的理论基础、基本矩阵和叁焦点张量的稳健性估计、基于多视图几何约束的像点匹配算法研究、基于多视几何约束的非线性畸变校正、基于影像序列的相机自标定等相关基础理论分析、算法模拟及实验评定的基础之上,以全向多镜头组合型全景相机所获得的全景序列影像为研究对象,以球面立体视觉理论为出发点,从“物理成像模型、几何约束模型、数学参数模型、系统误差模型和误差传递模型”五个方面系统性地论述与构建了基于全景影像序列的球面立体视觉多视图几何模型。同时,提出了一种基于全景影像序列的球心矢量算法(GV),完善并丰富了球面立体视觉系统的理论内涵与外延应用范畴。最后,针对OMS型全景相机,以球面立体视觉多视图几何模型为基础,在理想全景球面成像模型下,以球心矢量算法为主线,实验验证了70帧全景序列影像的投影重构算法的有效性,生成大量点云数据并最终实现了真实场景空间目标的叁维重构。本文依此所做的主要工作和主要结论如下:(1)从射影几何变换、立体相机成像模型及多视图几何理论为出发点,详细阐述了计算机立体视觉的理论基础。重点对计算机立体视觉中最重要的核心理论—多视图几何理论进行了论述,为后续章节的基本矩阵和叁焦点张量稳健性估计问题、基于多视几何的像点匹配算法、球面立体视觉多视图几何模型的构建、球心矢量算法的估计以及基于序列影像的叁维重构等问题提供了相关理论依据。(2)从几何基础和稳健性估计算法两方面出发,详细阐述了作为计算机立体视觉理论关键性的多视图几何—基本矩阵和叁焦点张量。在讨论基本矩阵和叁焦点张量的常用估值算法的基础之上,进一步研究了两视和叁视几何约束下的基于RANSAC算法的鲁棒性稳健估计,给出了对应的归一化7-点RANSAC鲁棒性估计算法(基本思想、算法的具体步骤和计算伪码),并进行了相关实验评定。结果表明,基于两视、叁视几何约束下的RANSAC鲁棒性稳健估计算法是稳定且有效的,平均对极距离和平均余差均小于0.5个像素(达到亚像素级)。这是由于多次使用RANSAC算法能够大量剔除误匹配的“外点”,使其估算精度较高,因此在后续章节的相关研究中选为首选算子。(3)介绍了叁种特征点提取算子:SIFT、SURF和ORB算子;为兼顾SURF算子的高匹配精度和ORB算子的高时效性特点,本文提出了一种新的基于影像金子塔策略的特征点快速匹配算法,并给出具体的实现步骤与算法流程图。同时,基于LADYBUG第0号子相机的连续两帧影像,按照匹配评价准则对各个算子进行综合评定。实验表明:SIFT算子的匹配精度最高、时效性最差;ORB算子的时效性最高,但匹配精度最低;基于影像金子塔策略的匹配算法和SURF、SIFT算子的精度相当(AED相差不到0.1个像素)且耗时最短。因此,考虑到基于海量序列影像的批处理操作时,本文提出的基于金字塔策略的快速匹配算法不失为一种较为优秀的高效实用的算法。(4)对子相机序列影像进行了初始匹配点集的获取工作之后,进一步给出了基于基本矩阵的两视匹配和基于叁焦点张量的叁视匹配,并结合RANSAC算子给出了具体的鲁棒性估计的算法步骤,同时对各自算法的匹配精度进行实验评定。其中仿真实验表明,基本矩阵F估计的平均余差会随着匹配点数的增加而越来越小,当点数大于40个时,平均余差的减少已不太明显。因此,两视影像间的匹配点数应尽量大于40对。(5)考虑到图像畸变对特征点提取与匹配精度的影响,针对叁焦点张量T与非线性畸变系数的内在耦合关系,本文提出了一种新的基于叁焦点张量T的叁视图几何约束相机畸变差自动校正算法,并给出了算法的基本思想、自动校正流程图以及该算法的计算伪码。针对第0号子相机的连续两帧/叁帧影像,分别运用基于F的和基于T的畸变差自动校正算法,实验表明,(1)这两种畸变校正算法均是有效的。(2)基于T的畸变差自动校正算法,其畸变校正后的平均对极距离和平均余差均小于基于F的畸变校正后的结果;说明,本文提出的基于叁焦点张量T的畸变校正算法优于基于基本矩阵F的校正算法。这是因为,在求取跨叁视影像内点集的过程中多次使用RANSAC算子,此时跨叁视的内点集的匹配精度要比两视下的要高很多,因此相应求取的12K,K精度也较高。(6)考虑到基于叁视几何约束下特征点的匹配精度对相机自标定结果的影响。基于第0号子相机的连续叁帧序列影像,分别采用基于绝对对偶二次曲面的相机自动标定算法和基于传统的标定法以获取两者的标定内参数,同时分别进行基于这两种标定方法的叁维重建点的仿真实验,以评价自标定重建点的相对误差精度。仿真结果显示,所有的自标定叁维重建点的相对误差大部分在8%以内,少数点在10%左右。实验表明,通过自标定方法得到的相机内参数与传统标定结果相比较,其吻合度和精度较为适宜;虽然存在一定的瑕疵,针对子相机序列影像的海量批处理而言,对于叁维重建结果精度要求不太高时,可以适用自标定方法。(7)以OMS型全景相机所获得的全景序列影像为研究对象,以球面立体视觉理论为出发点,从“物理成像模型、几何约束模型、相关数学参数模型、系统误差模型、误差传递模型”五个方面详细论述与构建了基于全景影像序列的球面立体视觉多视图几何模型。具体的来说,①从虚拟球面立体视觉模型、投影模型、坐标系统、拼接误差、不共面偏差等方面构建了物理成像模型。②针对虚拟全景球面立体视觉模型,从单视图几何、双视图几何和叁视图几何的内在约束关系出发,构建了球面立体视觉的多视几何约束模型。③从OMS全景相机的物理几何结构出发,分别从通用鱼眼镜头内部参数数学模型和外部参数数学模型两方面,构建了球面立体视觉的数学参数模型。④在总结前人的理论成果之上,推导并建立了理想全景球面成像模型与严格全景球面成像模型。基于单光线下理想全景球面的投影模型,推导并修正了最终的像方投影误差方程。同时分析了理想球面成像模型的系统误差来源,并得出其误差分布律。⑤针对像点的误差如何影响空间点叁维重建的精度问题,分别推导了“像点的协方差矩阵、球面坐标的协方差矩阵、基本矩阵的协方差阵、叁焦点张量的协方差阵、叁维重建点的协方差阵”,以此尝试构建了基于协方差矩阵的误差传递模型。(8)基于理想全景球面成像模型与针孔相机成像模型的比较,提出了基于全景球面影像序列的投影重建概念,并详细推导其重建过程。同时,基于理想全景球面成像模型,提出了一种基于全景球面影像序列的球心矢量算法(Gnomonic vector,GV),并给出了GV算法的概念、核心思想、具体算法流程步骤和算法的计算伪码。同时,进行基于基本矩阵和叁焦点张量的影像匹配算法的研究,以及基于叁视几何约束下的球心矢量算法的实验性验证。相关数学仿真实验和真实数据试验表明:采用球心矢量算法,将重建的叁维空间点重投影并进行特征点的坐标比对,得到的精度评定结果为:标准差为0.53pix。结果表明,本文提出的球心矢量算法,对基于全景影像序列的叁维重建能够得到亚像素级的重投影误差精度。(9)基于两视全景影像,SIFT算子与基于影像金字塔策略的特征点快速匹配算法相比较,本次实验表明,(1)原始待处理全景影像序列的帧数不多且需要较多的精匹配点数时,考虑采用SURF算子;(2)考虑到海量序列影像的批处理操作且对精匹配点数目要求不高时,本文提出的基于金字塔策略的匹配算法不失为一种更好的选择(10)基于MATLAB和LadybugSDK构建相关算法的验证平台,运用本文提出的球心矢量算法,对70帧全景球面的影像序列实现了叁维场景空间点的叁维重构,得到了大量的点云数据并对其进行叁角剖分、网格化模型处理和纹理贴图,最终得到真实场景的叁维重构结果。(本文来源于《中国矿业大学(北京)》期刊2016-09-19）
罗寒,王建强,宋丹妮,张飞,付博[10]（2017）在《融合激光扫描和多视图影像的模型重建技术》一文中研究指出针对在复杂的扫描环境下,叁维激光扫描点云数据容易缺失、噪点多,点云预处理难度大且效果不理想,进而影响后期模型重建精度和效率的问题,该文对融合叁维激光扫描和多视图影像重建两种技术进行了研究,提出了一种全新的快速精细化模型重建方法。结合某工程实例,基于分块建模的思想,运用该方法完成了数字叁维模型的重建工作。实验结果表明,该方法可以建立高精度的叁维模型,并在很大程度上提高了建模的效率。(本文来源于《测绘科学》期刊2017年04期）
多视图模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近年来,叁维人脸模型被广泛地应用于各种各样的领域,建立真实感的叁维人脸模型成为了计算机视觉和图像学领域中最具挑战性的课题之一。相对于二维图像,叁维模型更能反映出更多的内在信息。正因为其有着广阔的应用价值和应用前景,叁维人脸重建技术成为了目前国际上最活跃的研究热点。目前很多人使用形变模型进行人脸的叁维重建,其中大部分都是针对单幅图像进行重建,由于单幅图像缺少多角度信息,不能确定每个角度都可以获得较好的结果。为更好地解决此问题,本文提出了基于形变模型的多视图人脸图像的叁维重建方法。包括以下几个方面:(1)人脸叁维重建中首先需要进行形变模型与多视图人脸图像匹配,并且是最关键的步骤之一,为使匹配后的模型更为精细,本文提出了一种有效的形变模型与多视图人脸图像匹配方法,根据图像特征点信息,使用叁维人脸稠密匹配方法(3D Dense Face Alignment,3DDFA)估计出每幅图像的模型参数,形变模型根据模型参数发生变形,可以得到一组变形后的叁维人脸模型。(2)为获取匹配后的人脸模型,本文提出了一个模型函数,该函数关联了每幅图像的参数信息,通过求取变形后人脸模型的平均值,获取最终一个匹配后的与目标人脸相似的叁维模型。实验结果从定性和定量的角度证明了本文匹配后的模型更为精细,从而表明了方法的有效性。(3)匹配后虽然整体上与目标人脸相似,但整体上仍然缺少一些局部细节,本文使用光度立体视觉技术,通过假设光照模型,恢复表面法线信息来增强模型的细节。实验结果通过与其他重建方法对比,通过定性和定量分析证明了本文的重建模型效果更好,鲁棒性更强。(4)为把本文所做的理论工作付诸于实践中,设计开发了一款简易操作的叁维人脸重建系统。该系统实现了人脸重建中的基本过程,对本文提出方法的有效性进行了验证。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多视图模型论文参考文献
[1].曹文意,陈继民,袁艳萍,刘思达.基于多视图的叁维模型采集系统的研制[J].计量学报.2019
[2].靳宏伟.基于形变模型的多视图人脸图像的叁维重建[D].西北大学.2018
[3].周妍.融合场景语义信息的多视图室内叁维模型重建研究[D].武汉大学.2018
[4].杨克.基于DWH模型对多模态数据的多视图度量学习方法研究[D].华南理工大学.2018
[5].张屹然.基于划分模型的多视图聚类算法研究[D].南京师范大学.2018
[6].许磊.基于多视图的叁维模型检索系统[D].天津大学.2017
[7].高进宝.一种基于多视图的模具装配模型[J].装备制造技术.2017
[8].张佩瑞.基于多核学习的多视图增量聚类模型研究[D].西南交通大学.2017
[9].王力.基于全景影像序列的球面立体视觉多视图几何模型研究[D].中国矿业大学(北京).2016
[10].罗寒,王建强,宋丹妮,张飞,付博.融合激光扫描和多视图影像的模型重建技术[J].测绘科学.2017
论文知识图
