得完整的投影数据。但是对于平行束投影来说, 得完整的投影数据。但是对于平行束...投影采样矩阵,它的每一行是一个层面的投影, 投影采样矩阵,它的每一行是一个...
各晶粒的平行某特征外观方向的晶向在晶 体学空间中分布的三维极射赤道平面投影...将极图划分为P个等球面积小格,通过两者间形成的矩阵方程,从 所测极图数据,...
投影机原理及分类_信息与通信_工程科技_专业资料。投影...平行安装地支架上,要想做到图像完全会聚,必须对图像...D-ILA 技术的核心部件是反射式活性矩阵硅上液晶板,...
中文题目:地图投影转换类的设计与研究 外文题目:THE...9 3.1.2 子午线弧长及平行圈弧长 ......17 3.6.1 欧勒角与旋转矩阵 ......
图 2 体视观察空间 根据透视投影的变换矩阵可导出体视投影变换矩阵。以视点坐标...(B/2,0,0),SLSR 称为眼基 线,SLSR 平行于画面, SLSR= B,B 称为目距...
提取特征并正确确定对应性后, 对包含所有对应性的特征值矩阵使用非线性特征值最小 化方法,获得射影意义下的透视投影矩阵,之后利用平行线段的线间距已知,将射影坐标...
? ? ? ? ? (13-22) 式中 [ I C ] 为刚体对质心的惯量张量相对以 OC 为原点平行于 Oxyz 各坐标轴的投影矩阵。 因此已知刚体相对质心的惯量矩阵 [ IC ...
3、glOrtho 就是一个正射投影函数。它创建一个平行视景体。实际上这个函数的操作 是创建一个正射投影矩阵, 并且用这个矩阵乘以当前矩阵。 其中近裁剪平面是一个...
变换。投影变换的分类情况如下表所示: 坐标变换正平行投影 平行投影 坐标变换...通过投影矩阵和观察矩阵把该坐标转换为通过视点和鼠 标点击处的一条射入场景的...
作与立方体某一侧面平行, 且垂直于 top 基准面的透视投影平面,该透视投影平 ...13 第4章 4.1 实验目的 点在平面内投影矩阵的 Pro/E 验证 掌握空间任一平面...点击再看10条
凤凰争鸣 微信公众号：blogifeng
获取更多信息请关注凤凰号-凤凰争鸣官方微博下次自动登录
现在的位置:
& 综合 & 正文
将投影矩阵P利用QR分解分解出摄像机内外参数（Opencv）
/***************************************************************
将投影矩阵P利用QR分解分解出摄像机内外参数
****************************************************************
P：投影矩阵，3*4
K：内参数矩阵，3*3
R：旋转矩阵，3*3
T：平移向量，3*1
程序设计：Wenbin WANG
设计时间：
参考文献：蔡涛，《单目视觉三维重建方法与应用研究》，2004，pp36
说明：本程序中的qrHouse可以在本博客中找到相应的Opencv代码，本程序已经经过验证是正确的
****************************************************************/
void KRT_From_P_QR(CvMat* P, CvMat* K, CvMat* R, CvMat* T)
CvMat* H = cvCreateMat(3,3,CV_64FC1);
CvMat* h = cvCreateMat(3,1,CV_64FC1);
for (i = 0; i & 3; i++)
for (j = 0; j & 3; j++)
cvmSet(H,i,j,cvmGet(P,i,j));
cvmSet(h,i,0,cvmGet(P,i,3));
CvMat* Hinv = cvCreateMat(3,3,CV_64FC1);
cvInvert(H,Hinv,CV_SVD);
= cvCreateMat(H-&rows,H-&cols,CV_64FC1);
= cvCreateMat(H-&rows,H-&rows,CV_64FC1);
cvReleaseMat(&H);
qrHouse(Hinv,Qd,Rd);
cvInvert(Rd,K,CV_SVD);
cvTranspose(Qd,R);
cvReleaseMat(&Hinv);
cvReleaseMat(&Qd);
//第三步：
double s1[9] = {-1,0,0,0,1,0,0,0,-1};
double s2[9] = {-1,0,0,0,-1,0,0,0,1};
double s3[9] = {1,0,0,0,-1,0,0,0,-1};
double s4[9] = {1,0,0,0,1,0,0,0,1};
CvMat* Rn = cvCreateMat(3,3,CV_64FC1);
CvMat* Kn = cvCreateMat(3,3,CV_64FC1);
CvMat* S1 = cvCreateMat(3,3,CV_64FC1);
CvMat* S2 = cvCreateMat(3,3,CV_64FC1);
CvMat* S3 = cvCreateMat(3,3,CV_64FC1);
CvMat* S4 = cvCreateMat(3,3,CV_64FC1);
cvInitMatHeader(S1,3,3,CV_64FC1,s1);
cvInitMatHeader(S2,3,3,CV_64FC1,s2);
cvInitMatHeader(S3,3,3,CV_64FC1,s3);
cvInitMatHeader(S4,3,3,CV_64FC1,s4);
double a = cvmGet(K,0,0);
double b = cvmGet(K,1,1);
double c = cvmGet(K,2,2);
CvMat* t0 = cvCreateMat(3,3,CV_64FC1);
if ((a&0 && b&0 && c&0) || (a&0 && b&0 && c&0))
cvMatMul(K,S1,Kn);
cvMatMul(S1,R,Rn);
cvMatMul(S1,Rd,t0);
else if ((a&0 && b&0 && c&0) || (a&0 && b&0 && c&0))
cvMatMul(K,S2,Kn);
cvMatMul(S2,R,Rn);
cvMatMul(S2,Rd,t0);
else if ((a&0 && b&0 && c&0) || (a&0 && b&0 && c&0))
cvMatMul(K,S3,Kn);
cvMatMul(S3,R,Rn);
cvMatMul(S2,Rd,t0);
else if ((a&0 && b&0 && c&0) || (a&0 && b&0 && c&0))
cvMatMul(K,S4,Kn);
cvMatMul(S4,R,Rn);
cvMatMul(S2,Rd,t0);
cvMatMul(t0,h,T);
cvReleaseMat(&t0);
cvReleaseMat(&S1);
cvReleaseMat(&S2);
cvReleaseMat(&S3);
cvReleaseMat(&S4);
cvReleaseMat(&Rd);
cvReleaseMat(&h);
for (i = 0; i & 3; i++)
for (j = 0; j & 3; j++)
cvmSet(K,i,j,cvmGet(Kn,i,j)/cvmGet(Kn,2,2));
cvReleaseMat(&Kn);
cvCopy(Rn,R);
cvReleaseMat(&Rn);
void main()
//用Matlab仿真的真实图像实验的投影矩阵
double P0[12]={
0.46,-0.38,0.31,-0.09,
0.15,0.92,0.00,-0.21,
-0.72,-0.44,0.48,-0.56
CvMat* P = cvCreateMat(3,4,CV_64FC1);
cvInitMatHeader(P,3,4,CV_64FC1,P0);
CvMat* K = cvCreateMat(3,3,CV_64FC1);
CvMat* R = cvCreateMat(3,3,CV_64FC1);
CvMat* T = cvCreateMat(3,1,CV_64FC1);
KRT_From_P_QR(P,K,R,T);
//输出求解出的内外参数矩阵
cout&&"K:"&&
for (i = 0; i & 3; i++)
for (j = 0; j & 3; j++)
cout&&cvmGet(K,i,j)&&" ";
cout&&"R:"&&
for (i = 0; i & 3; i++)
for (j = 0; j & 3; j++)
cout&&cvmGet(R,i,j)&&" ";
cout&&"T:"&&
for (i = 0; i & 3; i++)
for (j = 0; j & 1; j++)
cout&&cvmGet(T,i,j)&&" ";
cvReleaseMat(&P);
cvReleaseMat(&K);
cvReleaseMat(&R);
cvReleaseMat(&T);
&&&&推荐文章:
【上篇】【下篇】您现在的位置是： &
立体视觉中基本矩阵的改进投影M估计方法
□ 钱江[1] 田铮[1,2] 句彦伟[1]
[1]西北工业大学应用数学系,陕西西安]中国科学院自动化研究所,模式识别国家重点实验室,北京100080
摘　要:在立体视觉与图像运动分析中，需要排除特征误配点的影响进而得到精确的基本矩阵估计。针对EIV（Error—In—Variables）模型中基于投影的M估计方法存在的核密度估计和正常点与异常点阈值确定的局限性，提出一种改进的投影M估计算法：首先给出新的用于搜索极值点的自适应核密度估计函数，然后改进了正常点的确定方法。对模拟及真实数据进行了实验，验证了改进投影M估计方法的有效性及稳健性。
　　摘要：在立体视觉与图像运动分析中，需要排除特征误配点的影响进而得到精确的基本矩阵估计。针对EIV(Error In Variables)模型中基于投影的M估计方法存在的核密度估计和正常点与异常点阈值确定的局限性，提出一种改进的投影M估计算法：首先给出新的用于搜索极值点的自适应核密度估计函数，然后改进了正常点的确定方法。对模拟及真实数据进行了实验，验证了改进投影M估计方法的有效性及稳健性。
　　关键词：投影M估计方法；基本矩阵；核密度估计；稳健性
　　中图分类：TP39.41
　　文献标识码：A ......(请点击下方“在线阅读”)
特别说明：本文献摘要信息，由维普资讯网提供，本站只提供索引，不对该文献的全文内容负责，不提供免费的全文下载服务。
金月芽期刊网 2017基于双目立体视觉的人脸三维重建方法的研究_文档资料库
基于双目立体视觉的人脸三维重建方法的研究
大连理工大学硕 士学位 论文摘要计算 机视 　　　　觉作为一个多学科交叉 的领域 ， 在理论研究和实 际应用方面都 取得了飞速的发展， 尤其是近年来 ， 像科学的 图 发展和计算机信 号处理能力的增强， 计算机视觉 为 的 研究和应用提供了良 条件。 好的 因此， 对计算机视觉的进一步研究， 具有重要的理论 意义 和实用价值。创建逼真的三维人脸模型是计算机图形学领域一个极富挑战性的课 题。 随着影视技术、 游戏娱乐、 虚拟环境、远 程通信、辅助医疗、 刑事鉴别等方面应用 的日 益广泛， 人脸的 三维重建越来越受到人们的关注。 本文主要从事此方面的研究。 本论文以 ｒ 　　　　Ｍａ 的计算机视觉理论为基础， ｒ 详述了国内 外在双目 立体视觉方面的发 展及取得的 成就。 并在分析和总结各种方法的基础上， 对计算机视觉研究中的 各个环节进行了系统的研 究。 在边缘检测 　　　　 方面 ， 通过对这些算法 的研 究比较 ，针对所研究 的双 目立体视觉 提 出了检测效果较好的边缘检测方案。 先对图 首 像进行中值 滤波去除噪声， 然后用高斯 一 拉普 拉斯算子提取边缘， 这种边缘检测方法的效果很好。 在图像分割方面， 将原来的二维灰 度图 像重 新进行区域划分， 将研究的重点放 在二维灰度直方图的 对角线附近的区 ， 域 这 样不仅大 大减少了 运算量， 而且有效地去除了噪声的影响。 在立体匹配方面， 提出了 特 征和相 位联合匹 配的 方法， 该方法的特点是： 对人脸的边缘特征点进行特征匹 配， 然后将特 征匹配 结果作 为匹配 路径的一个全 局约束，利用相位信息 ，从全局 最优约束 的角度解决匹配问 这充分利用了 题， 特征匹配算法与相位匹配算法的 不同 优势。 实验结果证明，利用本 方法可 以获 得较高质量的三维重建结果。最后的 　　　　 分析和实验结果表明文中所 理论 述的方法能 够提高测量的 精度， 同时具有测量装置简单、成本低的特点 。关键词： 双目 立体视觉；三维重建： 数码相机标定； 特征点：匹配大连 理工大学硕士学位论文Ｔ ｅ　ｓａｃ ｏ ｈ ｍａ ａ ｅ 　　　　　　　　　　　　ｆｃ ｈ ｒ ｅ ｒｈ　 ｕ ｎ　 ｅ ｆ　 ３ ｒｃ ｎ ｔｕ ｔ ｎ　 ｓｄ　 ｂｎ ｃ ｌｒ　 ｒｏ　ｓ ｎ Ｄ　 ｏ ｓｒｃｉ ｂ ｅ ｏ ｉｏ ｕａ ｓｅｅ ｖ ｉ ｅ ｏ ａ ｎ　 ｔ ｉｏＡｂｔ ｃ ｓ ａｔ ｒＡ ａ　 ｉ ｄ　 ｅ ｎ　 ｉ ｓ　 ｒｓｐ ａ ，　 ｈ ｒ ｒ ｅｃ ｎ ｒ ｔａ 　　　　 ｆｌ ｂｓ ｏ ｖｒｕ ｉｅ ｉｉ ｎｒ ｔ ｔ ｏ 　ｓ ｒ ａ ｐ ｃｃ ｓ　 ｅ ｅ ａ ｄ　 ａｏ ｎ ｄｃ ｌ ｙ ｈ ｅ ｅ ａ ｈ　 ａ ｉｌ ｎｗ　 ｔ ｉ ｅ　 ｙ ｄ　ａｐ ｃｔｎ　 ｔｅ　 ｐｔ ｖ ｉｎ　 ｍａｅ　 ａｐｏｒｓ．　 ｅｉｌ ｉ ｒｃ ｔ　ｒ，　 ｐｌａｏ ｏ ｈ ｃｍ ｕｅ ｉｏ ｈｓ　 ｄ ｇｅｔ　ｇｅｓＥｐｃ ｌ ｎ　 ｅ ｙａ ｔｅ ｉ ｉ ｆ　 ｏ ｒ　 ｓ ａ ｒ ｒ ｓ ａｙ　 ｅ ｎ ｅ ｓ ｈ ｄｖｌ ｍｅｔ　ｉａｅ　 ｃｓｎ ｔ ｈｏ ｇ ａｄ　 ｈ　ｒ ｒ ｎｅ　 ｐｔ ｃｍｎ ｉ ｏ ｅｅ ｐ ｎ ｏ ｍ ｇ ｐｏｅｓ ｇ　 ｎｌ ｙ　 ｈｇ ｐ ｆ ｍａｃ ｃｍ ｕｅ ｏ ｉｇ　 ｏ ｆ　 ｒ ｉ ｅ ｃ ｏ ｎ ｉ ｅｏ ｏ ｒ　 ｎ ｔ ｂｉｇ　 ｖｄ ｆ ｏａｌ ｃｎｉｏｓ　 ｃｍｐｔ ｖｓ ｎ　ｓ ｒ ａｄ　ｐ ｃ ｉ ．　 ｔ ｅ ｐｏｉｅ　 ｒ ｅ　 ｄ ｉ ｆ ｏ ｕ ｒ　ｉ ｒ ｅ ｃ ｎ ａ ｌａｏ Ｓ ，　 ｎ ｒ ａ ｂ ｏ ｔｎ ｏ ｖ ｒ　 ｅ ｉｏ ｅ ａ ｈ　 ｐｉ ｔ ｎ ｏ ｈ ｅｆ ｔｒ　 ａ ｈ　ｃ ｐｔ ｖｉ ｈｓ　ｃ ｔ ｏ 　ｅ ｉ ａｄ　ｃｃｌ ｖｌ ．　 ｕｈ ｒ ｅ ｃ ｔ ｏ ｕｒ　 ｏ ａ ｍ ｈ　 ｒ ｍ ａ ｎ ｎ ｐ ｔａｔ ａ ｅＴｅ ｒ ｅ ｅ ｒ ｏ　 ｓ ｍ ｅ ｉ ｎ　 ｕ ｈ ｙ ｓ ｅ ｎ ｇ　 ｒ ｉ ｉ ｕ ｈ ａ ｙ　ｓ ｄ ｏ ｇｎｒｉｇ　ｌｔ ３ ｈｍ ｎ　ｅ　ｄｌｈ ｓ　ｎ　ｏｇ ｉｅ　 ｌｎｉｇ　ｉｉ ｔ ｙ　 ｅｅ ｔ ｒ ｉ ｉ Ｄ　 ａ ｆｃ ｍ ｅ ａ ｂｅ ａ　 －ｍ ｃａｅｇ ｔ ｃ　 ｕ ｆ　 ａｎ ｅ ｓｃ　 ｕ ａ ａ ｏ ｓ　 ｅ ｌｎ ｔ ｈｌ ｎ ｏ ｎ ｐｃｍ ｕ ｒ　 ｈ ｓＷ ｔｔ ｄ ｅｐ ｅ ｏ ｃ ｒ ｔ ａｉａｏ ｆ ｆ ｓ　 ａ ｅｉ ｇ ｏ ｐｔ ｇｐｉ．　ｈ　 ｅ ｌ ｍ ｎ ｆ　 ａｅ ｎ ｔｎ　 ｉ ａｄ　 ｒ ｉ ， ｅ ｒ ｃ ｉ ｈ ｖ ｏ ｔ　 ｈ ｃｒ　 ｉ ｏ ｌ ｎ ｄ ｔｎ ａ ｅ　 ａ ｍ ｒ　 ｍ ｖ ｓ ｃｍ ｕ ｒ　 ｅ ｖｔ ｌ　ｉ，　 ｏｆｅｃ ｇｕｅｉｅａ ，　ｉ ｌ　 ｌ　ｎ ｇａｄ ｏ ｐｔ ｇ ｓ ｉ ａｒ ｌ ｔｅ ｎ ｒ ｉ ，　－ｔｆ ｅｓｇ ａｆ ｉ ｐ ｎｉ ，　 ｅ ａ ，　 ｅ ｔ ｅ ｃ ｅ ｎ ｎ ｓ ｎ ｒ ｃ ｕ ｃ ａａ ｌ ｎ ｎ ｍ ｒ ｕ ａｙ ｌ ｒ ｒ ｃ ａｃｍｉ ｌ　ｃｍｉ ｔｎ ｅ ．ｔ ｓ　ｅ ｃ ａ ａ　ｎｗ　ｃｉｎ ｍ ｒ ａｅｔ ｎ　 ｎ　ｅ ｒ ｎ ｄ ｒ ｎｉ ，　 ，　 ｒｓ ｒｈ　 ｉ ｏ ｒ ｅ ｉ ｉ ａ ｉ ｉ ａｏ ｔ ｈ ｅ ａ ｓ ｃ ｉ ｒ ｓ　 ｅ ｖ ｇ　 ｅ　 ｎ ｏ ｔａ ｅ ｒ ｅ ｏ ｔ ｉ ｈ ｖ ｂｆ ｅＴ ｉｔ ｓ ｍａｅ ａ　ｐ ｒ ｅ ｃ ｏ ｔ ｆｌ． ｅｏ ．　ｓ　 ｉ ｋｓ　ｅ ｌ ｅ ａ ｈ　 ｈ ｉ ｄ ｒ ｈ ｈ ｓ　 ｅ ｄｅ ｙ　 ｒ ｎ　 ｅ ｓ ｅ　Ｔｉ ａｅ ｓ　 ｄ　 ｒ ｉ ｎ　 ｒ ｅｐ ａ ｏ ｅ ａ ｖｒａ ｅｅ ｐ ｅｔ 　　　　ｉｂｓ ｏ Ｍａ ｖｉ ｔ ｏ ，　 ｔｔｄｍ ｓｃ　 ｏｅ ｅ ｄｖｌ ｍ ｎ ｈ ｐｐ ｓ　 ｒ　ａ ｎ　 ｒ　 ｈ ｙ ｘａ ｅ　 ｔ ｎ ｅ ｓ ｅ ｏ ｉ ｉ ｄ　 ｓ ｓ　 ｏａｄ　 ｉ ｅ ｎ ｏ ｂ ｏｕａｓ ｒ ｖ ｉ ．　 ｅ ｏ ａａ ｓ ａｄ　 ｃ ｓ ｎ　ｄｖｒｆ ｄ ｎ ａｈ ｖｍｅｔ　 ｉ ｃｌ ｔ ｅ ｉｏ Ｂ ｓｄ　 ｎｌ ｉ ｎ ｃｎｌ ｉ ｏ ｉｅ ｉｅ ｃｅ ｎ　 ｎ ｒ　 ｏ　 ｎ ａ ｅ ｓ ｎ　 ｙ ｓ　 ｏ ｕ ｏ ｆ　 ｓｉｍ ｔ ｄ ｗ ｓｄ ｄ　ｒ　 ｔ　 ｍ ｕ ｒ　ｏ ｓ ｔ ａｃ ｌ ｅｏｓ ｅ　 ｉ ｅｅ ｐ ｏｃ ｐｔ ｖ ｉ ｙｅ ｔａｙ ｈ ，　 ｔ ｅ ｖ ａ ｆ　 ｅ ｉ ｎ　 ｍ ｉｌ． ｕ ｙ ｒ ｏ ｓ ｓＦｒ　 ｅ　 ｅｉ ，　 ａｅ ｐｏｏｅ ａ ｒ ｅａ ｅ　 ｅ　ｅ ｉ ｍ ｈ ａ ｎ ｔ 　　　　 ｄｔ ｔ ｎ ｔ ｐｐｒ　 ｐｓｄ　　ｆｒ ｌ ｅｇ ｄｔ ｔ ｇ　 ｔ ｄ　 ｉ ａ ｏ ｅｇ ｅ ｃｏ ｈ ｄ ｅ　 ｒ ｐｅ ｂ ｄ ｅ ｃｎ ｅ ｏ ｉ ｇ　 ｍ ｂｎｃｌ ｓ ｒ ｖ ｉ ｂ ｃｍ ａ ｎ ｔｅ ａｉｍｅｃ Ｆ ｓ ｄ ｍ ｄ ｎ　ｔ ｔ．　ｇ ｉ ｉ ｕ ｒ　 ｅ ｉｏ ｙ　 ｐｒ ｇ　 ｓ ｒｈ ｔ ．　 ｔ ｏ　 ｉ ｆ ｅ ｏｉ ｅ　 ｏ ａ ｔ ｏ　 ｎ　 ｏ ｅ ｓ ｉ ｈ ｅ　ｔ ｉ ｉ ，　 ｅ ａ ｉ ｒ　 ｍａ ｎ ｒ ｌ ｏ ｅ ｔｗｉ ｏ 　ｉ ，　 ｍａｅ　 ｏ Ｇ ｕｓ ａｌ ｅ　 ｒｏ ｔ ｐ ｋ　 ｅｇ．　 ｒｓｌ ｒ ｒ　 ｐ ｆｎ ｓ ｔｅ ｋ ｕｅ　 ａｓ Ｌｐａ ｏｅａ ｒ　 ｉ ｕ ｄｅＴ ｅ　ｕ ｄ ｏ　 ｅ　 ｏ ｅ ｈｎ　 ｓ ｆ　 － ｃ ｐ ｔ ｏ　 ｐ　 ｃ ｈ ｅ ｔ ｓｏ ｅ ｔｅ　ｄ　ｅｇ ｄｔ ｔ ｇ　ｔ ｄ　 ｇｏ ｐｒ ｒ ａｃ．　 ｉａｅ　ｍ ｎａｏ，　 ｈｗ ｄ　 ｋｎ ｏ ｄ ｅ　ｅ ｉ ｍｅ ｏ ｈｓ　 ｄ　ｆ ｍ ｎｅＦ ｒ　 ｇ ｓｇ ｅｔ ｎ ｄ ｈ ｉ ｆ　 ｅ ｃｎ ｈ ａ ｏ ｅｏ ｏｍ ｅ ｉ ｔ ｏ ｒ ｉ ｐｒｔ ｎ　ｅｈ　 ｒ ｉａ２ ｇ ｙ　ｔｇ ｍ ｌ ｔｅ　ｐ ａ ｓ　 ｅ ａ ｈ　 ｎａｔ ｅ ｏ ａｉｏ ａ ｓ ｔｏｉｎｌ　 ｒ ｈ ｏｒ ，　 ｈ ｅ ｈｓ ｏ ｒ ｅｒ ｏ ｅｒ　 ｇ ｎ　 ｔｉ ｆ ｒ ｏ　ｇ Ｄ　ａ ｉ ａ ａ ｓ ｙ　 ｍ ｅ ｆ　 ｃ ｎ　 ｈ ｓ ｅａ ａ　ｒ　ｄ ｇｎ ｚｎ，　 ｔｓ　ｈｄ　 ｎｔ　 ｒ ｕｅ　ｏｅ ｔｎｂｔ　 ｇｔ ｒ ｎａｔ ｉ ｏａ ｏｅｔ ｓ　 ｍ ｔ ｃ ｏｏｌ ｅ ｃ ｔ ｐｒｉ ，　ａｏ　 ｅ ｅ ｈ ａ ｌ　 ｈ ｈ ｅ ｏ ａ ｅ　 ｕ ｉ ｎ　 ｎ ｄ ｈ ｙ　 ｅ　 ａｏ ｕ ｌ ｅ ｓｒ ｏ ｔ ｉｆ ｅｃ ｏ ｎｉ ｅ ｅｔ ｅ ．　 ｓ ｒ ｍ ｔ ｉ ，　ａ ｒ ｂｓｄ　 ｐａｅ ａ ｄ ｉ ｆ　 ｎｌ ｎｅ　 ｏ ｅ　 ｃｖｌ Ｆ ｒ　ｅ ａ ｈ ｇ ａ　ｔ ｅ ａｅ ａｄ　 ｓ－ ｓ ｄ　 ｈ ｅ　 ｕ ｆ　ｓ ｆ ｉ ｙ ｏ ｔ ｏ　 ｃ ｎ ｆ ｕ － ｅ ｅ ｎ ｈ ｂｅ ｍ ｔ ｄ　ｐｅ ｎ ｄ Ｆｒ ｏ ａ，　 ｍａ ｈ　 ｅｇ ｃａａｔ ｉｉ ｐｉ ｓ　 ｅ ｏ ｆ ｔｒ ｅ ｏ ｉ ｒ ｅｔ ．　ｓ ｆ　 ｗ ｈ ｓ　ｓ ｅ ｉ ｔ　 ｌ ｅ　ｔ ｔｅ　 ｅ　 ｒ ｅ ｓｃ　ｎ ｂｓｄ　 ｅ ｕｅ ｌ ｃ ｈ ｄ ｈ ｃ ｒｔ ｏ ｔ ａ ｎ　 ａ ． Ｓｃｎｌ ｗｔ ｔ ｒｓｌ ｏ ｆ ｔ ｅ ａｅ ｍ ｔ ｉ ａ ａ　ｏｅ　 ｓａ ｔ　 ｔ ｉ ｐｔ ｅｏｄ ，　ｈ　 ｅｕｓ　 ｅ ｕ － ｓ ｙ ｉ ｈ ｅ　 ｔ ｆ　 ｒ ｂ ｄ　 ｃ ｎ ｓ　 ｈ ｌｃｎｔ ｉ ｏ ｍａｈｎ ａ ａ ａ ｈ ｇ　 ｗ ｏ ｒ ｎ ｆ　 ｃ ｇ　 ｈａｄ　ｓｉ ｏ ａｏ，　ｃ ｓｖ ｐ ｂ ｍ ａ ｏ ｉ ｔｗ ｏ ｏｔ ｕ ｃ ｓａ ｔ ｈ ｎ ｐａ ｎ ｒ ｔｎｗ ａ ｏ ｅ　 ｌ ｓ　 ｒｎ ｏ　 ｌ ｐｍ ｍ　 ｔｉ．　 ｈ ｅ　 ｍ ｉ ｆ ｅ　 ｌ ｒ ｅ ｃ ｄ ｇ　 ｈ ｅ　ｉ ｎ　 ｏ ｃ ｏ ｒｎ Ｔｉ ｎ ｓｍｅ ｏ ｍａｅ ｇｏ ｕｅ　 ｔｅ　 ｐｃｖ ａｖｎａｅ ｏ ｆ ｔ ｅ ａ ｄ　ｉｍｅｃ　ｄ ｔ ｄ　 ｋｓ　 ｄ　 ｏ ｈ ｒ ｅｔ ｅ　 ａｔ ｓ　 ｅ ｕ － ｓ ａｔ ｔ ａ ｈ ｏ ｓ ｆ　 ｅ ｓ ｉ ｄ ｇ ｆ　 ｒ ｂ ｅ ｒｈ ｉ ｎ ａ ｐ ａｅ ａｅ ａｔ ｔ．　 ｅｍｅｔ　ｕ ｓ　 ｗ ｄ　 ｈｇ ｑａｔ ａｄ　 ｔ ｃ ｔ ｔｒ ｏ ｈｓ－ ｓｄ　 ｈ ｉ Ｅｐｒ ｎ ｒｓｌ ｓｏ ｅ ｔ ｉ ｕｌｙ　 ｄ ｉ ｔ　 ｕｅ　 ｂ ｒ ｍｅｃ ｘ ｉ ｉ ｅ ｔ ｈ ｈ ｅ　 ｈ　 ｉ ｎ ｉ ｎ ｅ ｓ ｘ ｆ ｈ ｍ ｎ　 ｅ　ｄｌ ｇ　ｈｓ　 ｈｄ ｕ ａ ｆ ｍ ｅｎ ｉｔ ｍｅ ｏ． ａ ｏ ｉ ｎ　 ｃ ｉ ｔ Ｆ ａｙ　 ｔ ｒｔａ ａａ ｓｓ　 ｔｅ　 ｓ ｅ ｔ　ｕ ｓ　 ｗ ｄ　 ｔｅ　 ｈ 　　　　 ｅ　ｏｅ ｃｌ　 ｌ ｅ ａｄ　 ｍ ａ ｒ ｎ ｒｓｌ ｓｏ ｅ ｔ ｔ　 ｍ ｔ ｄ ｉｌ ｔ ｈ ｎ ｌ ｈ ｅ ｉ ｎｙ ｎ ｈ ｅ ｕ ｍｅ ｅ ｔ ｈ ｈ ｈ ｅｏ ａ ｐｅ ｎ ｄ　 ｔｓ　 ｅ ｃｎ　ｒｙ　ｐｏｅ　 ｏｅ ｔ ｎ　ｅｄ　ｄ　 ａ ｒ ｎ ａｃｒｃ ｒ ｅｔ ｉ ｈ ｐｐｒ　 ｐｔ ｉ ｒｖ ｔ ｐｒ ｉ ｓ ｅ ａ ｍ ｓ ｅ ｔ　 ｕ ｙ ｓ ｅ ｎ　 ａ ｉ ａ ａｌ ｍ ｈ ｅ　 ａｏ ｐ ｎ ｅ ｕ ｍｅ ｃ ａ ｗｔｓ ｐ ｆｎ ｍｅｓｒ ｇ　 ｉ ｅｔ　 ｒ ｕｉ ｍ ａ ｒ ｇ　ｔ． ｉ ｉ ｌｙ ｇ　ａｕｉ ｅｕ ｍ ｎａｄ　 ｃ ｇ　 ｓ ｉ ｃｓ ｈ　 ｉ ｉ ｍ ｎ ｑｐ ｎ ｅ ｎ ｅ ｕｎ ｏｓ ｄ潘岩 ：基于双 目立体视觉的人脸三维重建方 法的研究Ｋ ｙ　 ｒｓ Ｂｎｃｌｒ　ｒｏ　 ｉ ；　 Ｒ ｃｎｔｕｔ ｎ Ｄｇ ａ Ｃ ｍｅａ　ｌ ｒｔ ｎ ｅ Ｗｏｄ；　 ｏｕａ Ｓｅ Ｖｓ ｎ ３ ｅｏｓ ｃｉ ；　 ｉ ｌ　 ｒ Ｃ ｉ ａ ｏ ； ｉ ｔ ｅ ｉｏ Ｄ　 ｒ ｏ ｉｔ ａ ａｂ ｉＦ ａｕ ｅ　ｉｔ；　 ａｃｉｇ ｅｔ ｒ Ｐ ｎｓ Ｍ ｔｈｎ ｏｍ独创性说明作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工 　　　　 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均己在论文中做了明确的说明并表示了谢意。作者 签名 ：日 ：ｐ 乓ｚ 期２ 吐 　 ８大连理 工大学硕士学位论文大连理工大学学位论文版权使用授权书本学位论文作者 　　　　 及指导教师完全了解 “ 大连理工 大学硕士、 博士学位论文版权使用规定 ” ，同意大连理工大 学保 留并 向国家有 关部门或机构送交 学位 论文 的复 印件和 电子版， 允许论文被查阅和借阅。 本人授权大连理工大学可以 将本学位论文的 全部或部分内 容编入有关 数据库进行检索， 也可采用影印、 缩印或扫描等复制手段保存 和汇编学位论文。作者签 名：导师签名：三些－ ｚ 生 日 夕 年１ 月大连理 工大学硕士学位论文１ 绪论 １ 概述 ． １视觉是人类获取外界信 息的最直接 、最普遍的方式 。 　　　　 视觉 的最 终 目的是要对场景作出对观察者有意义的 解释和描述， 然后基于这些解释和描述并根据周围环境和观察者的意愿制定 出行 为规划 。计算机视觉是指用计算机实现人类的视觉功能， 　　　　 对客观世界的三维场景的感知、 识 别和理解。 计算机视觉是计算机科学和人工智能的 一个重要分支。 它的 研究 目 和内 的 容 有两个方面， 一是用计算机实 现人类视觉的 部分功能； 二是由此帮助理解人类视觉的 机理。计算机视觉 　　　　 研究 始于 ２ 世纪 ５ 年代， 计算机视觉和图像处理、 ０ ０ 当时 模式识别一 起 通称为计算机图 像处理， 泛指一切研究如何用计算 机处理图像信息的 技术。 着研究不 随断地深入 ，三类学科各 自分别 自成体系 向纵深发展 。视觉研 究在 Ｒ ｂｒ 之前都是基于 ｏｅ ｓ ｔ二维的， 而且多 数是采用模式识别的方法完成分类工作。 ０ ２ 世纪 ６ 年代中 ０ 期美国Ｍ Ｔ Ｉ的 Ｒ ｂｒ 首先用程序 成功地对三维积木世 界进行解析 ， ｏ ｅｓ ｔ 以后 Ｈ ｆ　ｎＣｏ ｓ ｕ ｍａ，　ｗ 以及 Ｗａｚ １ ｌ ｔ等人 对积木世界进行了研究并分别解决了由 解释景 线段 物和处理阴影 等问题。 积木世界 的 研究反映了 视觉早期研究中的 一些特点，即 从简化的世界出 发进行 研究。 这些工作对 视觉研究的发展起了 促进作用， 但对于稍微复杂的景物难以 奏效［ ［ １ ｌ ２ 世纪 ７ 　　　　 年代中 ０ ０ 期以Ｍ ｒ Ｂｒｗ Ｔｎ ｂｕ 人为代表的一些研究者提出了 ａ ，　 ｒ ，　 ｅ ａｍ等 ｒ ａｏ ｅ ｎ一整套视觉计算 的理论来 描述视 觉过程 ， 其核 心是从 图像恢 复物 体的三维形状 。 在视觉 研 究理论上 ，２ 世纪 ｓ 年代初 ， ｒ首次从信息处理 的角度综合 了图像处理、心理物 ０ ０ Ｍａ ｒ 理学、 经生理学及临床精神病学 的研 究成果， 神 提出了第一个较为完善 的视觉 系统框 架，虽然在细节还存 在大量不完善的方面， 但是 Ｍａ 理论 ｒ ｒ 成为了这一领域的 主导思 ２ 想［ １Ｍａ 教授 认为： 觉可 分为三个阶段 ， ｒ ｒ 视 一是初级视觉 ， 初级视觉是对输入 的原始图像进行处理，抽取图 像中 诸如点、 边缘、纹理、线条 和边界等基本 几何元素或特征， 这些特征的集合称为基元图（ｉａ ｓ ｔ ） ｐｍｒ　 ｃ 或要素图 ｒ ｙｋ ｈ ｅ ；二是中级 视觉，中级视觉是指以 观测者为中 心的 坐标系中， 由输入图像和基元图 恢复 场景可见部分的 深度、法线方向 轮廓 、 等， 这些信息包含了部分深度信息， 但不是真正 物体的 三维表示， 称为二维半图： 三是 高级视觉， 高级视觉是在以 物体为中心的坐标系中，由 输入图 像、 基元图 和二维半图来恢复 、表示和识别三维物 体的过程 ，这就是 Ｍａ 的视觉理论 。 ｒ ｒ 计算机视ｎ的应用领域也很广泛 ，已应用于遥感图像分析、文字识别 、医学图像处 　　　　潘岩 ：基 于双 目立体视觉 的人脸 三维重建方法 的研究理、多媒 体技术、图 像数据库、工业检测与 军事等方面（ ３ １１ ． ２国内外立体视觉的发展１ ．国 ． １ 外立体 ２ 视觉的发 展 国 　　　　 外立体视觉开 展得比 较早， 也取得了 相当大的成果， 目 双 立体视觉技术已 广泛应用 于生产 、生活中。ｃ 　　　　 ｍｕ大学的Ｔｍ ｓ Ｋｎｄ 等人在假定摄像机为正 ｏａ 和 ａ ｅ ｉ ａ 交投影模型的前提下， 利用 仿射分 解的 方法同时 解出了 三维结构和摄像机运动， 做出了 第一个基于图像的三维重构 系统。 系统在解决点的匹配问 该 题上使用了 基于光流的跟踪器技术。 该系统的缺点在于 采用的 摄像机模型 是正交 投影模型， 这种模型只有在物体的 深度远 大于物体的尺寸时才 合理。 由于只有少数关 键点被用于生成三维模型， 模型的 所以 整体 质量不高（ Ｋ ｔ ｌｋ ４ ａ ｏｅｅ ｌ　ｈｉ ｏ　大学的Ｐｌｆｓ１ ｏｅｙ（ ｌｅ ５ 等提出的物体表面自 动生成系统运用了 可变内 参数下的 摄像机自 标定技术。 系统仅要 该 求手持 摄像机围绕物体拍摄一系列图像， 即可自 动实现自 标定 和分层 重构。 ｏｅ ｙ等将该系统应用到了 Ｐｌ ｅｓ ｌ ｆ 考古学、文物保护等领域并 取得了良 好的 效果。 华盛顿大学与微软公司 　　　　 合作为火星卫星 “ 探测者”号 研制 了 基线立体视觉系统， 宽 使“ 探测者” 号能 够在火星上对其即 将跨越的几千米内的 地形进行 精确的定位导航。 系 统使用同一 个摄像机在 “ 探测者” 的不同位置上拍摄图 像对， 拍摄间 距越大， 基线越宽， 能观测到越远的 地貌； 系统采用非线性优化得到两次拍摄图 像时 摄像机的 相对准确的 位 置， 利用鲁棒性强的 最大似然概率法结合高效的立体 搜索进行图像匹配， 得到亚 像素精 度的 视差， 并根据 此视差 计算图像对中 各点的 三维坐标。 相比传统的体视系统， 能够更精确地绘制 “ 探测者 ”号周 围的地貌 和以更高的精度观测到更 远的地形。日本奈 良 　　　　 科技大学信息科学学 院提出了一种基于双 目 立体视觉的增强现实系统 （Ｒ 　　 注册方法，通过动态修正 Ａ） 特征点的位置提高注册精度。该系统将单摄像机注册 （Ｒ Ｍ ）与立体 视觉注册 （Ｒ 相结合， Ｓ） 利用 ＭＲ 和三个标志点算出 特征点在每个图像 上的二维坐标和误差， 利用 Ｓ Ｒ和图像对计算出 特征点的 三维位置总误差， 反复修正特征点在 图像对 上的二维坐标 ，直至三维 总误差小于某个 闭值 。该方法 比仅使用 ＭＲ 或Ｓ Ｒ方法大大提高了Ａ Ｒ系统注册深度和精度。 日 　　　　 将实时双目 本东 京大学 立体视觉和机器 人整体姿态信息集成， 开发了 仿真机器人 动态行长导 航系统。 系统实 该 现分两个步骤： 先， 首 利用平面分割算法分离所拍摄图 像 对中的地面与障 碍物， 再结合机器人身 体姿态的信息， 像从摄像机的二维平面坐标 将图 系转换到描 述躯体姿态的 世界坐标系， 建立机器人周围区 域的地图； 基次根据实时建立的地图进 行障碍物检测 ，从而确定机器人 的行走 方向。大 连理工大学硕士学位论文１．国内 ２ ２ 立体视觉的 发展 双目 　　　　 在我国还正处于初始阶段， 立体视觉 虽然我国的计算机视觉发展目 前还正处于起始阶段 ，但 是在工业 、农业和军事领域都显示 出了强劲 的发展势头 。火星 ８３ 　　　　计划课题 “ ６ 人体三维 尺寸的非接触 测量” 采用 “ ， 双视点投影光栅三维测量 ”原理 ，由双摄像机获取 图像对 ，通过计算机进行 图像 数据处理 ，不仅可 以获取服装设计所需的 特征尺寸， 还可根据 需要获取人体图像上任意一点的 三维坐 。 标 该系统己 通 过中国人民解放军总后勤部军需部鉴定。 可达到的 技术指标为： 数据采集时间小于 Ｓ ｓ ／人 ：提供身高 、胸 围、腰 围、臀 围等 围度的测量精度不低于 １ ｃ ．ｍ＜ Ｏ浙江大学机械系统完全利用透视成像原理， 　　　　 采用双 目 视方法实现了 体 对多自 由度机 械装置的 动态、 精确位姿检测，仅需从两幅对应图 像中 抽取必要的特征点的 三维坐标，信息量少 ，处理速度快 ，尤其适于动态情况 。与手眼系统相 比，被测物 的运 动对 摄像机 没有影 响，且 不需知道被 测物的运动先验知识和 限制条件 ，有利于提高检测精度 。中 　　　　 研究所机器人视觉研究组的 科院自 动化 雷成博士实现了 Ｃ Ｓｉ 软件， Ｖ ｕｅ ｔ 该软件主 要完成了 特征点的提取， 特征点的匹配、相 机的自 标定、 模型的三维显示的 功能。 该软 件使用方便，能 对不同 来源的二维图像进行处理， 但是它的缺点也比 较明显， 首先是由 于使用了 Ｋｕ ａ 程进行像机的自 ｒｐ 方 ｐ 标定， 所以 它需要的图 像对的数目 为三幅， 尽管 它所使用 的其他方法和 原理 都是基 于双 目立体视觉的， 但这对 于类似 机器人视觉 的工 作环境显然不允许； 其次 在实际的匹配过程中能明显感觉到效率不高， 速度非常慢。 哈工 　　　　 大采用异构双目 活动视觉系统实现了 全自 主足球机器人导航。 将一个固定摄像机和 一个可以水平旋转的摄像机 ， 分别安装在机器人 的顶部 和中下部 ， 以同时监视不 可 同方位 视点，体现 出比人类视觉优越 的一面。通过合理 的资源 分配 及协调机制 ，使机器人在视野范围、 测跟精度及处理速度方面达到 最佳匹 配。 双目 协调技术可使机器人同时 捕捉多个有效目 观测相遇目 标， 标时通过数据融合， 也可提高测量精度。 在实际比 赛中 其他传感器失效的情况下， 仅仅依靠双 目 仍然可以 协调 实现全自 主足球机器人导航［ ［ ６ １武汉汽车工业大学的王天珍教授在 总结现有视 觉模型的基础上 ， 　　　　 将生物视觉模型与计算机视觉模型相结合， 提出了一 种版式并行检索模型［ ７ １ 。国防 科技大学的 博士生导师 王润生教授在图 像理解和模式 识别方面作出了自 己的贡献。 同时， 各大院 校也正在加大计算机视觉 的研 究力度 。可以 　　　　 我国 预见， 飞速发展的 经济实力将为计算 机视觉的发展提供更加广阔的应用需求 ，同时计算机 视觉技术 的发展将更加有利于我 国经济 的发展和 人 民生活水平 的提 高。潘岩 ：基于双 目立体视觉 的人脸 三维重建方法的研 究１ 本文的主要工作 ． ３虽然 　　　　 立体视觉经过了 ２ ｏ多年的 研究，已 经取得了一 些成果， 但是无论从视觉生理角度看 ，还 是从实际应用方面看 ，现有的立体视觉技术还处于十分 不成熟的阶段 ， 不 这 仅涉 及技术方面 的原 因， 且更 多是在于人类对 自 而 身视觉机 理还 不十分 了解 。 人类视 觉 系统具有惊人 的分析和理解能力 ，但人类是如 何精选 、获取和分析 理解 视觉知识的 ， 至 今还 未充分搞清 楚。一个完整的立体视 觉系统 通常分为相机标定 、图像 预处理 、 特征 提取、 立体匹配、 三维重建等部分。 每一部分的实现主要取决于应用的 场合和目 本文 的．是基于双 目立体视 觉的人 脸三 维重建 ，在相机 标定方面， 自主设 计了相机标定系统 ， 对图 像进行预处理， 然后利用传统的 边缘检 测方法提取特征点， 在立体匹配方面， 提出了一种基 于边缘和相位联合匹配的匹配方法 ， 们利用该方法对人脸 图像进行匹配 ， 后 我 最考虑利用 ＯｅＧ 软 ｐｎ Ｌ 件实 现人脸的三维信息恢复。大连 理工大 学硕 士学位论文ｚ 相机标定系统标定是 　　　　 应用计算机视觉进行图 像处理的第一步， 关键的 也是 一步， 标定矩阵的 精度直接影响最终的重建精度。 计算机立体视觉系 在 统中， 数码相 机参数 标定是指获得摄 像机几何参数和光学参数 （ 参数） 及数码相机相 内部 以 对于某一世界 坐标系的三维 位置、 方向 关系 （ 外部参数） 近似值的过 它是通过二维图像坐标求取三维世界坐标的先决 程， 条 件 也是实现计算机视觉的必要条 ， 件之一。根据相机参数性质可 以分为内部参数和外部参数 ：内部参数描述相机 的内部光学和 　　　　几何特性， 如图像中 心、 焦距、 镜头畸变等； 外部参数就是相对于一个世界坐 标系的相 机坐标的 三维位置和方向。 立体视觉的目 的是通过像平面上的点 的坐标去反求物点的 空 间 坐标， 在获得物点的空间坐标之后我们才能 通过一定的算法计算出 所需的 三维信息。２１ ．数码相机成像的几何模型２１ 坐标系的定义 ．． １ 数 码相机的成像过程 实际上 是一个 光学成像的过程 。 　　　　 为了对这 个光学成像过程进行 说明，下面定义 四个坐标 系。 数码相机采集 的图像 首先是形成标准 电信号 的形 式，然后在 通过模数转换元件 ，变 　　　　 换为数字 图像 。每 幅数字图像的存储形式是 Ｍ Ｘ 的数 组。Ｍ 行 Ｎ 列的 图像 中的每一 Ｎ个元素的 数值代表的 是图像点的亮度 （ 或叫做灰度） 这样的每 。 一个元素叫 做象素。 所 以我们在图 像上定义直角坐标系〔 ｖ ｕ） ，　 ，我们叫 做象素坐标系。 每一个象素的坐标（ ｖ 　　　　 （ ） ｕ 分别是该象素在数组中的列数和行数。 也可以 ，　 所以 说象素坐 标系就是以 象素为单位的图 像坐标系， 在这篇论文中， 我们将象素坐标系 ｕｖ 坐标原 ，　 的 点 Ｏ 定义在图像的左上角， 。 如图 ２ 。 于在象素 ． 由 １ 坐标系中（ ｖ （ ） ｕ 只表示 ，　 象素位于数组中 的 行数和列数， 并没有用物理单 位表示出这个象素在图 像中的 位置， 因此有必要再建立一个用物 理单位 （ 例如有 毫米）表示 的象素坐标系 ，在这 里我们 叫做它 为图像坐标系 。这 图 　　　　 个 像坐标系以图像内的某一点 ０ 为原点， 轴和ｙ １ ｘ 轴分别与象素坐标系的ｕ 轴 和 ｖ 平行，如图２ 。 轴 ． 在这篇 １ 论文中，我 们将图像坐标系ｘｙ 原点 Ｏ 定义为数 ，　 的 、 码相 机的 镜头的 光轴与图像平面的交点， 于试验用的码相机的 由 结构特点， 在这篇论文中 这个交 点就 是数 码相机所成的 图像的 中心 。潘岩 ：基 于双 目立体视觉的人脸三维 重建方法的研究（ ｖ Ｕ ． ．　 ）图２ 　　　　　　　　 ． １图像坐标系和象素坐标系的 关系Ｆｇ　 Ｒ ｌｉ ｂｔｅｎ　 ｇ ｃｏ ｉ ｔａｄ　ｅｃｏｄ ａ ｉ２１　 ａｏ ｅ ｅ ｉａｅ　 ｒ ｎ ｅ　 ｐ ｌ　ｒｉ ｔ ． ｅ ｔｎ　ｗ ｍ ｏｄａ ｎ ｉ ｏ ｎｅ ｘ我们假设在象素坐标系中各个 　　　　 象素之间在ｘ 轴方向 和在ｙ 轴方向 上的 距离 （ 是 指的 物理尺 寸） 分别是 ｄ 和 ｄ，那么由图２ 我们就可以 ｘ ｙ ． １ 得到图 像中 的任意点在象素坐标 系ｕ、 ， 和图像坐标系ｘｙ 存在着如下转 ，　 之间 换关系：ｘ Ｘ丁 ＋　 ｕ ０口 沌ｖｙ　 一＋　 ｄｖ ０厄　ｒ以 　１　 　一一 　为了以后的表达和 计算方便 ，本篇论文 中将上 面的表达式整理为矩阵的表达形式 ， 　　　　如下 ：呱　 　 　门 ！ １ ．胜 」　－－ 　 　 　 　 　 　 　 　 　 　！冲 １１０ ｅｓｌ ｗｅ　０　 ０ 日日 　ｕ飞　Ｘ１ －咖 。　一　 　　ｖａ 　 １日 队　 　ｙ　 　　Ｊ 　．．」　１　（． ２１ ）将表达式（１ ２） ．转换为 逆关系式为：卜 　ｄｙ 防 ｒ Ｉ ｄｙ 　　　　　　　　　　　　　　 ｘｄ ｌ　 　ｘ 　 ！一“００　击队』 Ｌ Ｊ　 Ｏ 　　　　　　　　　　　　　　　　　　　　　　　　　　 １ Ｌ 　 （． ２） ２ 　 　 出来，其 中 ０点是数码相机的光心 ， 数码相机 　　　　的成相几何关系 ，可 以由图 ２ 表示 ． ２ 　 　： ｘ轴， 。 ， ｙ轴分别与图 像坐标系的ｘ 轴和ｙ 轴平行， 。 轴与图像平面垂 直，在这里我们把 　 由点 ｏ ｘ轴， 。 ｚ ，　 ｙ轴， ： 成的坐 ， 轴组 标系叫 做相机坐标系。 　 　 数码相机是安放在具体 的环境之 中的， 以我们在环境 之中为其选 择一个 基准坐标 　　　　 所 　 　 　 　 　 　Ｉ一 。 一ｖ０ 　 日 　　　　　　　　　　　　　　　　　　 ｙ １ 　　　　大连理 工大学硕士学位论文系来描 述数码相机的位置， 并且用这个坐标系来描述安 放在这个具体的环境中的 其它任 何物体的位置， 们把这个坐标系叫做世界坐标系， 我 它是空间的三维坐标系， ｗＹ， 由ｘ，　 ｗ Ｚ三个坐标轴组成。 ｗ图２ 　　　　　　 成像几何关系 ． ２数码相机的 Ｆ ２ Ｉａｉ ｇｏ ｅ ｒａｏｏｄ ｉ ｃｍｒ ｉ ． ｍ ｇ ｇ　ｍ ｔ 　 ｔｎ　 ｉｔ ａ ｅ ｇ　 ２　 ｎ ｅ ｒ ｅ ｉ ｆ　 ａ ｙ ｌ ｇ ｌ　 ａ２ ．成像 ．２ 关系的 １ 推导 数码相机坐标系和世界坐标系之间的关系可以 　　　　 利用旋转矩阵 Ｒ和平 移矩阵 ｔ 来表 示， 在世界坐标系的 所以 任意一点ｐｘ， ，　） （ Ｙ Ｚ，　 ｗ ． ｗ１ 和它在相机坐标系中的 ， 对应点（，　ｃ （ ＹＺ Ｘ ｃ， ｃ ．　 １ ） 就存在以 下关系：厂　ｘｃｌ ｅｓ门ｒ ．１ １ ｅｓｘｗ．ｅｓ ｅｓ　 ｙｃｌ　Ｒ　「ｚｃ．　一－ 　 　． ｅｓ ． ． Ｊ　　‘　胜ｙｗｅｓ ｅｓ ｅｓ ｅｓ ｅｓ　０ 　　 　 　 　 　 　 　　１ 　月　！ 　Ｊ孔ｅｓ ｌ ． Ｌ（． ２） ３ １ｌ」　　　表达式（３ 　　　　） 旋转矩阵Ｒ是一个 ３ ３ （ 中的 ２ ． Ｘ 的矩阵，平移向 ｔ 量 是一个 ３ １ Ｘ 的矩阵，０［ ０　 ＝０　］　 ０ｏ数码相机的 　　　　 成相过程就是将世界坐标系中物体信息转换到数 码相机坐标系， 数 再由 码相机坐标系转换到图 像坐标系， 再由 图像坐标系转换到象素坐标系的过程。 光学 　　　　 理论模型是针孔模型， 成相的 也就是常说的透视投影模型。 投影关 如图２ 系， ． ２ 所示。在 这里我 们把 ０ １ ０ 叫做数码相机的 焦距二 根据这个针孔 模型的理论， 相机坐 标潘岩 ：基 于双 目立体视觉 的人脸 三维重建方法 的研 究系到 图像坐 标系的转换过程可 以利用 以下关系式表示 ： 这 时就 有 　　　　 以下关系式 ：二 ｆ， ＝丘 ｚ 　　　　　　ｒ 胜 ｒ 几 厂 ！ １ １ ．ｅｓ １ ｗｅ 三　 　 　Ｙ 　　　　　　　　 刁玉 ｚ ，　「 　ｎ 　 　〕 　 　ｅｓ ｎ ｅｓ ｅｓ ｅｓ ｅｓ ｔ ｅｓ ｎ １ 户 ｅｓ Ｊ ｌ ｌ Ｌ ｌ ｌ ｅｓ ｅｓ ｅｓ ｗｅ 　ｅｓ ｒａ 　ｌ ｅｓ ｅｓ ｌ为了 以后的计算和 说明方 便，将 这个关系式展开 为：　Ｘ几！ｆ１ｘｃ「 ｌ ｅｓ ｅｓ ｅｓ　 ｙ！０　０ 　０ ｆ门ｙｃｅｓ ｅｓ ｅｓ ｅｓ　Ｚ 　　亡　　　　－－ 　． ｅｓ　 　 　　 　　ｌ， Ｌ Ｊ ｌ　 　 　 　 　 　．Ｌ ｅｓ０Ｏ１孔ｅｓ ｅｓ ｅｓ（．） ２４ｅｓ ｜ ｜ 习１　　　　　 　 　 　 　 　 　 　　将关系 （２ （３ 式（ ） ２） ２ 和（ 代入关系式 ２ ） ． ． （４， ． 我们就可以得到 世界坐标系中的Ｐ 坐标（ ，　 点的 （ Ｙ， ｘ ． ． ｚ 与它的投影点在象素坐标系中 ， ） 投影点（ ｖ （ ） ｕ 的转换关系： ，　厂， １！１　厂 　 　卫 　！ 　Ｚ 　　心　“ 　　 　月一 　ｅｓ　「 　ｌ １ 　ｅｓ 一 ｅｓ　 　ｌ一 乙 ０　一０　 ， 　ｕ１ ‘ｅｓ　　１ 一咖 。　一ｌ 　ｅｓ 　ｅｓ 　ｅｓ 　ｅｓ 　ｅｓ　ｆ 　 　Ｏ　ｅｓ　Ｏ 　 　 　ｆ　 　 　￣日 　　Ｏ 　 　　ｅｓ 　ｎ 　 　 　ｅｓ 　ｌ　「 　－！ 　ｅｓ 　 　ｅｓ 　 　ｅｓ 　 　ｅｓ 　． ｅｓ 　Ｉ ｅｓ 　Ｌ Ｊ 　 　 　 　 　　 　　ｘｗ　， 　！ 　ｒ 　ｌ 　ｅｓ ｅｓ ｔ ｌ 　 ｌ ｅｓ ｌ 　！ 　胜 　尸 　．‘　Ｒ 　　‘ 　 　砂　， 　‘　　Ｖ　　 　　 　　　 　‘． Ｌ 　ｅｓ　ｌ　一一ｅｓ　ｅ ｅｓｌ　ｖ０ 　ｅ 　ｅｓ ｅｓ ｌ ｅｓ ｅｓ ｅｓ Ｊ ｅｓ Ｌ　 Ｏ ｏ， ． 　　Ｃ 　） 　 　ｎ 　．　　　儿１　气 　　 　ｌ　ｎｒａ礼， １ １ｗｅ ｌ　０ 　１ 　月 　　ｌ 　ｅ　人 　　 　　 　　　．工 　Ｊ　 　ｅｓ ｅｗｅ　ｗｅ　０ｅｓ ｅｓ ｅｓ Ｌ１　 　　 　 　　Ｊ 　 　　孔卫 ． ｅｓ　－－ 　ｌ　０　ｅ０　 ｏ 　ｕ　 　 ｎ　　Ｒ 　 　０（Ｕ　 　　 　　　 　　 　　　 　　 　 　　　　　１ｌ ｌ Ｌ Ｊ　 　 　 　 　 　 　 　Ｊ　 ０几 ０气 １ｙｗ　么　 　 　ｅｓ ｅｓ Ｊ ｌ‘孔．｜ ．　｜，　｜ ｜Ｊ１　 　 　 　 　　 　　 　 　 　　 　 　　 　　 　　　 　　　 　　 　 　 　 　 　 　 　 　　　 做数码相机 的内部参数 ，而矩 阵 Ｒ和 ｔ 中的参数完全 是由数码相机坐标系相对于世界坐　 于ａ ｙ ，　 由 ｘａ ｏ ｏ 　　　　ｕ ｖ等参数完全由数码相机的内 构有关，所以 ，　 ，　 部结 我们把这些参数叫 　　　　标系 的位置决定 的， 们把这 些参 数叫做数码相机 的外部 参数。所 以数码相机的标定就 我 是确定数码相机 的外部参数和 内部参 数 。２ 数码相机的标定 ． ２２． ．１ ２ 数码相机内 数的 部参 标定在第一部 　　　　 分数码 相机的成相模型 中我们 已经推导 出数码相机的成相原理 ，对这部数码相机的内部 参数标定实际上就是确定ａａ ｕ ｖ 而ａａ与ｆ ｘｙ ｏｏ ｘｙ 相关， 我们只 ，　 ，　 ，　 ，　 ， 所以 要确定了数 码相机的焦距不 象素点 ｘ 和Ｙ向 在 向 的距离 ｄ和 方， ｘ 成相平面的中点在象素 坐 标系上的 坐标（，　 ｕ ｖ就可以了。 ０ｏ ） 我们的试验所采用的 ｓ ｙ　Ｃ ７ 型号数码相机。 　　　　 是 ｏ Ｄ －Ｓ０ ｎ Ｓ 它的最大象素为 ３４ 拥 ３ 万， 有２４ Ｘ　 ６ ６０　 ０／ ８Ｘ　／ ０　８ 四种可以自由 ０８　 ３／ ０ Ｘ　０ ２０　 ０ ４ Ｘ　 １ １ ５ １ １ ２ ９ ６ ４０ ６ 选择使用的 分辨率。 拥有３ ｘ光学及 ２ 数字变焦镜 头。它的近 拍模式有效距离 为 ４ ２ｃ ｘ － ５ｍ，标准拍摄模式有效距
潘岩 ：基于双 目立体视觉 的人脸 三维重建方法的研究定下来 。再如在一些比较简 单的场 合，例 如物 体的形状是一个多面体 ，我们就只需要知 道它的各个顶 点的三维坐标和他们 的相邻 关系 ，就可 以确定它 的形状和位 置了。所 以， 用立体视觉 的办法获得三维点 的坐标 是最基 本 的。 以在这 篇论文中我们就对世界坐标 所 中的一点进行三维重建 。我们假定， 　　　　 用于 实验用的 两个数码相机分别为 Ｃ Ｍ 和 Ｃ Ｍ 。 Ａ ， Ａ ２ 空间中 任意的一点 Ｐ在两个数码相机上的 对应的 像点 分别是 Ｐ 和 Ｐ。而 ｉ ２ 且两个 数码相 〔 Ｍ 和 ＣＭ 机 Ａ ， Ａ２是 已经被标 定过的。在 这里我们假设 数码相机 的参数矩 阵尸 ｌ ｅｓ ｌ ｃａ ｅｓ ｌ ｗｅ ｅｓ ｅｓ ｌａｘ ｏ凡０码 “ ｏ｝ 。 ｌ。 ＩＲ　 ｔ｝ 　　　　　　　　 Ｉ　 ｖ 　０　 Ｉ Ｉ ｝ 例 ＝ ＝ 一 ｝０　１１ ｝　ｍｌｚ价 礼 。ｍｌａ 气 气 。 。 气 １ 呢 暇 气气，“ｏ１　 」 ０－则，两个数码相机的 参数矩阵分别为Ｍ， 和Ｍ２ 于是 。 我们有以 下两个关系 式闭 回 川 翩曰 日．四 『一险 闪 洲 介１ 　　　　　　１阴１ ２　 ｍ１ 　　　 ３ 　 爪１　 　　　　　　 ３ 　　　　　　　　邢　１４ 　 　对 　飞 ｌ 盆 ． ！ ｅｓ ‘ Ｉ ｅｓ ｌ ｅｓ ｅｓ ｅｓ ｌ ｌ ｅｓ ｅｓ Ｊ Ｌ ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ广ｘｗｌ ｗｅ，ｍ２ ２优２ ３ 从ｙｗｅｗｅ ｅｅ１　 　　　　　　　　 　　　　　　　１ｍ３ ２　 ｍ ３ 　　　 ３３４ １礼ｅｓｅ ｅｓ１ｅｓ ｌＪｒ ｅ ． ｗｅｅｓ ｅｓ（．） ２９脚１２ｍｌｓ斑２－一　１４ 　　ｘｗ 　入ｌ ｌ ｅｓ，ｅｓ ．ｅ邢 从犯 ０呢邢２４叽 。爪１３４１ｚｗ． ｅｓ（． ） ２０ １ ｌｌ ‘１１ｅｓ Ｊ， Ｌ两个关系式中的 ｕｖｌ ｕｖ１ （，，和（，，分别是Ｐ 点和Ｐ 点 ｉｉ） ２２） ｉ ２ 在各 自 坐标系中的 象素 坐标。． ． （，　 ｘＹ ， Ｚ １ 是Ｐ ｝） ，　 点在世界坐 标系中的 坐标值。将式子 毯 ｍｌ 叽 ｎｈａ 汇小牛 　气　 飞｜ 　“ 　 伙 伙 飞 气 小 汽 ｜ Ｖ 　－－ ” 　 毯 毯 ｍｓ３ ｎｈａ 丰 气 ｜ 　 ｌ 　 走 　 。 。 ０ ｌ “儿 １ ．Ｊ 　干 一ｌ ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ Ｊ 　Ｚ 　 　 　 　 　 　 　 　 　　 　 　 　 　 　 　 　１ １ １ ． ． Ｉ Ｌ　‘ 　 　 　 　 　 　 　 　 　 　 　　 　写成方程 的形式为：＋Ｚｕ＝ｍ ｘ． ｍ， 、＋ＭＵ ， ＋　， 、 ｙ 　　　Ｚ阴Ｊ　（ａ３ 　抖Ｚ ｗ＝ｍ １ ＋ ２ ． ｍ ３ ２ ｘ ｍ２ ＋ ２ Ｙ Ｚ＋从　（ｂ 　 　 　 　 　 　大连理工大 学硕士学位论文Ｚ ＝ｍ ， ＋　 Ｙ ＋ ３ ｗ ｍ ４　 （ 　　　　　　　　　　　　　　　　　　　　　　　　 ｝ ３ ．　 ３ ｗ ｍ３　 ３ Ｘ ｍ２ Ｚ　 　　　　　　　 ＋ ｃ ）将（式代入（式和伪式，可以 （ ｃ ） ａ ） ） 得到 两个线性方程：（ ３ Ｍ） ＋ｕ３ ｍ） ＋　： １ ． ｍ 一ｍ 　　　　　　　　　　（ ３ Ｍ） ＝ ， ｕ３ ＇ ： Ｉ　 （ ： １Ｙ ｕ 一 ３　 、 ４ ｍ 一 ｉｗ ｍ 一 ２　 ｍ Ｘ ．　 Ｚ （ ３ ｍ） ＋ｍ 一２ ＋　。 ２ ， 。 一ｍ 　　　　　　　　　　 （ ３ ｍ ） 一 ２ Ｖ３ ． ， ２ ｗ ＼３ ｍ ｋ　ｖ 一 ３　 ； ４ ｍ 一 １ ＂２ ２　 ｍ Ｘ Ｚ同 理就可以 分别由式（９ （１ 得 ２ ） ２ ０ 到四 ．和（ ） ． 个线性方程：（３ ｍ ，ｕ３ 、）＋，‘ ｉ＊、 一ｍ 　　　　　　一１．（ ３ ｍ｝一１ 。３ ｕ １ ｌ　 ，　 ２ ｕ ３ ３ ４ Ｉ　 ，‘ ， ＋ Ｍ ，　 － 一 ｉ　 ｝ ４ ＇一 ￥ （ ２ Ｙ ‘ （３ ｍｔ ＼３ 二Ｊ＋　 一ｚ，ｍ 一ｍ　　 ） 　　　　　　一ｚｗ　３ ｍ　一２ ｖ３ （１ Ｖ ｌ ｎｗ＇ｚ ２ ｀ ３ ３ ４ ，＇　 ．　 ＇＋１’ １　Ｉ， ， ， ４ ２ －一 ＂ － ’ ＹＶ ｍ ｝ ｚ ． １ ＼ ３ Ｍ｝＋　 一Ｊ ＋２　 ｉ ｍ 一ｍ 　　　　　　’ 】 ｗ（ ３ ｍ 一１ 。： ｕ ， １ｗ　３ 脚 ＼ ｕ ３ ３， ４ Ｚ２ ２　 １ １ ２Ｍ Ｉ ｍ 一 ｍ 一 ２　ｚ　 ２ ， ｕ　 ｚ　 ’ ｍ ｚ Ｙ ，２ ３ ４ ｀３ ？ 　 ｀３ 脚 ｝＋２’ ２ ｍ 一Ｍ　． 　　　　　　’ １ Ｗ｀３ ｍｚ 一２ Ｖ３（２ ｖ ． ｎ ＇ ２ｍ ２　 ２ ２ 一ｉ ＇ ３ ｚ Ｍ 一 ，　 ｍ ２ ｍ 一 ３ ４ ２４２） ， ２＋ ｌ ２　 ３、 ， ２　 ｌ １由 解析几何的知识，可以知 道上面四 个方程式中每个表示一个平面，所以 可以知道式 （１ 和式（１） ２１ （ ２ ．） ２ 分别表示的是两个平面的交线， ． 所以 这四个方程联立表示的 就是空间中 两条直线的 交点。 也就是说我们在己 知空间中 任意一点分别在两个数码相机成像平面上的象点的象 素坐标 值就可 以利用 以上四个 方程式得到其在世 界坐标 系中的坐标值 。 关系 如图 ２８ ． ．， 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 ’ 、， 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 ‘ 、， ， 　　　　　　　　　　　　　　　　　　　　　　　　　　 ， 、Ｐ／ 　　　　　　　　　　　　　　　　　　　　 ’ ‘ 、仁一图２ 　　　　　　 ． 维点重建的理论模 型 ８三 Ｆｇ　 Ｔ ｅｒ　ｏｅｏ ３ ｐｉ ｓ　ｏｓｕｔ ｎ ｉ ２ ｈｏ ｍ ｄｌ　 Ｄ　 ｎ ｒｃｎｔ ｃｏ ． ８　 ｙ ｆ　 ｏ ｔ ｅ ｒ ｉ潘岩 ：基于双 目立体视 觉的人脸三维重建 方法的研究２．点三 ． ３ ２ 维重建 验及结果分 的实 析 我们已 　　　　 经在自己 设计的试验平板上标定了两 个数码相机 （ 上是 实际 将一个数码相机在两个不 同的位置模拟而成 ）的内部参数和外 部参数 。 以我们就利用这个试验平 台进 所行三维点重建的 实现试验。 体现这个试验的通用性， 为了 我们取一 个长 方体作为 试验的 物体。 将这个物 体放在试验平台 上， 将我们要测量的点 （ 长方体的 一个拐角点） ，先用 一般的 方法进行测量， 得出其用一般测量方法的得到真实 （ 这里考 值 在 虑用一 般的方法 进行测量的误差很小） ，得到 坐标值为 － ．－ １ ０ （ ５ ，３， ） ３ ６１ １ 。再用数码相机分 别在两 个我们在 前面已经固定出的位置对这个物体进行拍摄。得到的象素坐标值分别为： １ ７ ６） （１ ， ０ ９１ ， （ ０ ６） 又由 ２ ，０。 ３１ 前面可以 知道：阴　』１ 　ｍ１ ｍ １ ２　 ３ 　　，ｍｌ’ 气 气　－－ 　 　 　 　 　 　 　　气 　０ ０阴０州２ ｍ２ ２ ３内」气ｖ０Ｚｋ ０　 ‘ 札 Ｉ Ｉ’１气ｋ 札气 。 气棍 １州１ ０　 ０　 ０ 　　　　　　　　　　　　　　　 　　　　ｍ３ ２ ｍ３ ３ｏ０　 暇 Ｉ１ Ｉ　 ｋ ２ ｏ０ 。 ｉ ｌ　 １ ３ ｋ ＇ 　　 Ｌ　气 。一将两个数码相机 的外部和 内部参数矩 阵分别代 入上式，就可 以得到： 一 ７４ 甄 ｍｌｚ ｍｌａ 用 　１４ ０ 　　 ８ ｏ ５ ２ １ ．２ ０ ０ ２ ４６ ３ 　 ０ 呢 呢 从 ２４ ｍｚ］ １ ４９ ６ ０ ２ ８ ７ ．３１ ７ ０ ８ ９ ８８ 　－一 ０ 　 叭 气 邢 抖 巧 ０ 　　 １ 　　 ３ ８１ ５ 　　．６ ９ ９ 　 ． ｌｅｓ 　 ０ 。 。 １ 。 ｅｓＬ Ｌ ｌ ｌｌ ｌ ｅｓ ｅｓｅｓ ｅｓｅｓ ｅｓ ｅｓｅｓ ｅｓｅｓ ．９ ）　 　 　 　０ 　　’ 」阴１ １ｍ１ ２ ｍ２ ２ ｍ３ ２ｍ１ ３ 从ｍ２ ３　从 　　 　洲 　 　１４｝． ． 月 ｌ ｅｓ ． ｅｓ ｅｓ ｅｓ ｅｓ ｅｓ－日 ｜　－－７４　ｎ 　，ｍ２ １ ｍ３ １．｜　 　 　０．｜０ 　　 ８ ０ ０ １４ ７９１ ８ ３ ．３ ２ ４ ３ １９ ２阴洲 １ ０ 　　ｅｓ ｅｓ ｅｓ ｌ ｌ Ｊ０１ ．６ ０ ２ ８ ７ ．３ ９ ０ ８ ９ ８８ １１ 　　　 　 　 　 　 　００ 　　０ 　　３ ８１ ５ 　　．６ ９ ９ １ 　　　　　　将上面所得的己 知数据相应的 代入到方程式（１） ２ ２ （ １ ． ） ，得到四个方程： ２ 和（ １ 之中 ．１７　１９ ，　 ７　 Ｏ， １ ７　８ ） ＝０ １６ ９１ ７　．５ ０ ｘ　７） ＋　 ｘ　） ＋ ０ ｘ　０ｚ ５ ２ ．３一０ ｘ　１９ ９ ０ ４ｘ １ ０ Ｙ ９ １ ０， ２ ４２ ９ ３８６ 一 ０ 一 ９ 一 ９ １ ｘ　） ＋　ｘ　７），　 ｘ　０ｚ＝８ ７．１一６ｘ　１９ ６ ０。， 　０　１ ９， （０　６ ） ２ ９ ８ ９ １ ３ ．５ ０　 ｘ １ ０ ４ｙ＋１ １ ０， ８ ８３ ０　 ６ 一 ６ 一 ６ 一 ９ ８ （０　１０ ，　０　。， （　１８） ＝４ ３９ ２ ２ ｘ　１９ ２ ｘ　７ ） ＋　ｘ　），　０　 ０ｚ １ ３１３ 一３ ３ ．５ ３ ０ ５ｘ ２ ０ ｙ＋２ ｘ　 ０，　８ ．３ ０　 ６ 一 ３ 一 ３ 一 ９ ８ （００ 。 ．　 ｘ　７ ） ＋６ｘ一０ｚ＝８ ７８ ９１ ｘ　１ ９ １ ｘ　｝ ＋６ ０１ ９ １ １６ ） ２８ ８３ 一６ ３ ．５ ６ 一 ｚ １ 一 ４ｙ ０ ０　 ０， ９ ．１ ０　 ６ ９ ８即大连理工大 学硕士学位论文一 ７ ９，　ｙ ＋ ９ｚ ＝６４６ ３６ １４ｘ ＋　，　 ７， ５２石 １ Ｏ ２Ｏ、 １ ９， ４０， ２５７． ７ ｘ 一 ７ ｙ 一 ４ｚ ＝ ２ ２ ８９ ４ ２ ２一 ７９，　ｙ 一 ７ｚ ＝ ６ ５． ６ １４ｘ ＋　＊ ５０ Ｏ ５７ ３ ７２ ７Ｏ， １４ｙ 一 ４ｚ ＝ ２２２ ８９ ｘ 一 ７９， ４０， ２５７． ７ 。 ２解得： ｘ ＝－ ５ ０３ ｗ １１ １２ ｚ ＝ ０ ０３ ， ３． ９ ：Ｙ ＝－ ３． ７ ； ７ ３ １． ３ ０我们设定的点的 一般方法测量 值为：ｘ，　＂ （５ ，３， ） （，＂ｚ ＝ ３．－ １ ０ ＂ ． ， － ６１ １ ｙ，　 ）在 ｘ 轴上 的误差为 ，－． ５．　　　　　０ ＿３ ３－ ６　 １ １％０％ ５　　　　　　 ０ ． ６ 华塑些Ｘ １ 一３一３一 １ ．７ ｘ１００％ ＝０．４％ １ Ｇ３３ ２ １ １１ ２一 １３１在Ｙ 轴上的误差为 、在 上” ｚ 的 “ ｘ　３ ， 误 粤黔｛％　 轴 １＝　 ０ ０％ ０． ０ ３我们在试验的时 候，由 于实验条件的限 制， 各种试验数据的 精度不是很高。 但是由以 上得 到的误差可 以看 出，在这种试验环境下 ， 用这 种方法得到试验 的结果精度 比较另人满 意 。那么只要其它条件得到改善 ，用这种方法就可 以获 得很高的精度 ，完全可 以应用到 实际中去。２ 小结 ． ４ 本章中设计了 　　　　 一种针对数码相机的 某一状态， 对其进行标定的方法。 首先利用数码 相机的针孔模型理论对数码相机的内部参数进行标定。 再利用数码相机成像理论得到事 先设计好的 世界坐标系中的实际 特征点和它们在采集的图 像上的像点的对应关系， 对数 码相机的外部参数进行标定。 本文又阐述了 一种实 验方法对以 上标定 方法的标定的 结果进行 了验证 ，实验证明使用这种方法进行标 定，标定模板 设计简单 ， 实验条件要求较 对 低 ，无需特殊光源 ，无需非线性化搜索过程 ，通用性 强，易于实现 ，并且所求得 的结果 精度较 高，能够 满足实验的要求 。潘岩 ：基 于双 目立体视 觉的人脸三维重建 方法的研 究３ 图像预 处理任何一幅未经处 理的原始图像 ， 　　　　 由于各种因素 的影响 ， 都存在一定程度 的噪 声干扰 。 噪声恶化了 图像质量 ，使 图像模糊 ，甚至淹没 了图像特征 ，给分析带来困难 ，因此 去除图 像中的 噪声具有重要的意义。图 像预处理涉及到 数学、 计算机科学、 模式识别、 人工智能、信息论 、生物医学等学科 ，是一门多学科交叉应用技术 。它包括噪声 的滤除 、边缘的增强、对比 度的改善等 等，其主要目的 在于 （） １ 改善图 像的视觉效果，提高图 像 清晰度； ２ 将图 （） 像转换成一种更适 合于人或机器分析处理的 形式， 不以图像保真为 它 原则， 而是通过处理有选择地 突出 便于分析某些感兴趣的 信息预处 理中出 现的错误和偏差会直接影响到后续处理与决策的正确性 。 处理的精确为后续处理 提供 可信度高 的输 预 入资料。能否正确地提取被 检测物体 的特征参 数；能否尽可能少地受到图像中噪声 的影响而导致结果的准确性下降， 这些都 在很大程度上取决于对原始图 像的预处理措施是否 有效、 是否符合实际 情况。 预处 理的 好坏直接影响匹配结果的 精度。３ 图像灰度化 ． １由于实验使用 的是彩色数码相机 ，所以最初输入计算机 的立体像对 是 ２ 　　　　 ４位 真彩色图 像， 而在本课题的后续研究中， 主要是对灰度图 像进行处理。 因此有必要将 ２ ４位彩色 图像转化 为灰度 图。 为了用 计算机来表示和处理颜色 ， 　　　　 必须用定量 的方法来 描述颜色 ， 即建立颜 色模 型，而 模型的基础是建立在色度学理论上的。 颜色 色度学理论［ ．　ｎ 在１ ２ （ ８ １ Ｙｕｇ ８ 年提出 是Ｔ ｏ ０的， 其基本 内容是 ： 任何色 彩均可 以由三种不 同的基本颜 色按不同的比例混合 而成 ， 即： Ｃ＝ａ ＋ ｑ ＋ 砚 口 ｂ ｃ（ ．） ３１其中Ｃ 　　　　 ｑ ，已 为三 原色 （ 又称三基色 ） ，　 ｃ为三种原色的权值 〔 ，ａ ｂ ，　 三原色的 比例或浓度 ） ，Ｃ为所合成的颜色，可为任意颜色 。色彩与亮度均是一种视觉感受， 　　　　 这种感受分别产生 红、 蓝的 绿、 视觉感受。 验已 实经证 明，由对应三种视敏细胞而产生红 、 、蓝三种颜色作 为任何颜色 的基本色 的理 论 绿 称 为三基色 原理 。原理指出 ：（）自 　　　　 可见颜色都可以 １ 然界的 用三种基色按一定比例混合得到； 反之，任意一种颜色 都可以分解为三种颜色 ；（） 　　　　 ２ 作为原色的三种颜色应该相互独立，即其中任何一种都不能用其它两种混合得到；大连理工大学硕士学位 论文（）三原 　　　　 ３ 色之间的比 例直接决定混合色调的 饱和度； （）混 　　　　 亮度等于各原色的 ４ 合色的 亮度之积。 在目 　　　　 前提出的多种颜色模型中， Ｇ 颜色模型是实际应用中 ＲＢ 最多的一 种。 数字图像一般 Ｒ Ｂ 　　　　 Ｇ 颜色空间表示， 分三个通道： （ ｅ）绿 （ｒ ｎ、 （ｌ ） 红 Ｒｄ、 Ｇｅ ）蓝 Ｂｕ ， ｅ ｅ 分别反应了 颜色在某个通道上的两 度值。 我们通常所说的 ２ 位彩色图， 真彩色图（ ｅ ４ 即 ｔ ｕ ｒｃｌ ） 是一个真彩 色像素分别用 ８ （ 字节 ）来表 示三色 分量，则总共 需要 ２ 位 ｏｏ ，就 ｒ 位 １ ４（ 字节） ３ 来表示 Ｒ Ｂ三色， Ｇ 可表示的 颜色数为 ２＋８２ ＝６７２６ （８） ２ １７７１ 种。 ８＋＝ ４灰度化就 　　　　是替彩色位 图的 Ｒ，　 Ｂ三个分量 找一个合适 的、相等的值； 以便将 其 Ｇ ，　转换为灰度图的 过程。由于 Ｒ Ｇ Ｂ的取值范围是 ０２５ 所以灰 ，　 ，　 ５， 度的级别只有 ２６ ５ 级， 即灰度图像 仅能表 ２６ 现 ５ 种颜色 （ 灰度） 。常用的灰 　　　　度化 处理方法有最大值法 、平均值法和 加权平均值法 。 （）最大值法 　　　　　　：灰度值等于 Ｒ Ｇ Ｂ分量的最大值 ，即 Ｒ Ｃ ＝ Ｘ　 ，　 １ ，　 ，　 ＝ＡＢ ＭＡ （ Ｇ Ｒ ，Ｂ。 ） 最大值法会形成亮度很高的图 像； （）平均值法：灰度值等于 Ｒ Ｇ Ｂ分量的平均值 ，即Ｒ Ｃ Ｂ （ ＋＋ ）　 　　　　　　 ２ ，　 ，　 ＝Ａ ＝　 Ｇ Ｂ ／． Ｒ ３平均值法会形成比较柔和 的图像 ； （） 　　　　　　 ３ 加权 平均值法 ： 根据重要性或其他指标给 Ｒ，　 Ｂ赋予不 同的权值 ， Ｇ，　 并使 Ｒ，Ｇ Ｂ的 ，　 值平均加权，即ＲＧ Ｂ （，　 ｗＸ　 ｗＸ　／ ＝＝＝　 Ｘ　 ８　＋　 Ｂ ３ ｗ Ｒ ＋　 Ｇ ｂ　 ，式中、， ￥ 、分别 ）　 ，ｗ， 。 为Ｒ Ｇ Ｂ的 ，　 加权系数， ，肠十 ｂ １　 Ｗ，　 ，　 且Ｗ十 、＝　Ｗ 　Ｗ取不同的值使用该方法将形成不 ａ　 ｑ 。同的 灰度图 由于人眼对绿色敏感度最高， 像。 对红色的敏感度次之， 对蓝色敏感度最低，因此 使、＞Ｗ＞　将 ，　ｂ 得到合理的灰度图像，实验和理论证明，当ｗ ００ ｗ ０９ ｗ ， ． ，　 ． ， ＝ ３ ８　 ５Ｗ＝． 时能得到最适合人眼观察的图 ｂ １ ０１ 像。本文采用加 　　　　权平均值灰度化法处理图 所采用的加权系数为： ， ． ，　０９ 像， ｗ ００ ｗ ．， ＝ ３ ８　 ５ｗ＝． ，由 ｂ １ ０ １ 于灰度图像仅能 显示 ２６ ５ 色灰度级，因 此对真彩色图 （ 位） 像 ２ ４ 进行灰度 化处理时，首先要将其转化为 ８ 位位图， 然后按加权平均值法进行灰度化处理。３ 图像平滑与滤波 ． ２噪声是妨碍人们感觉器官 　　　　 对所接受的 信源信息理解的因素［ 谓图 １ ９ １ ，所 像噪声是指妨碍人们对 图片有效理解 的各类 噪声。例如 ：按检测 对象物 大小和形状 的要求来看 ，图像的 边缘过于模糊； 在一幅图 像上发现了 一些不知来源的黑点或白 点；图 像的失真、 变形等 。这些问题都会 对后续处理 的结果造成一定的影 响。图像 噪声在很大程度上是一种 主 观感 受，这就意 味着很难规定 出确切 的图像噪声干扰 的客观 指针 ， 而只能进行一些 主观 评价研 究。潘岩：基于双 目立体视觉 的人脸三 维重建方法的研究图像噪声分 　　　　 析的难点 在于引起噪声的来源既有外部因素， 有内部因素， 又 所以 难以建立 噪声模 型。在 目前情况下 ， 根据标准噪声模型 的退化 图像与含有噪声的实际图像对 比来 推断图像的噪声模型不失为一种有效的方法 。 图像平滑是一种实用的数字 图像处理技术 ， 　　　　 主要是 为了减少图像的噪声。一般情况 下，在空域 内可 以采用邻域平均法来减少噪声 ；在频域 内， 由于噪声频谱多在 高频段 ，因此可以 采用各种形式的低通滤波来减少噪声。通常在频域处理时总是假设 ： 　　　　 （ ） 引起 图像质量下 降的噪声在 图像 的傅立 叶频谱 中 占据的是高频段； 　　　　　　 １ Ｃ ） 图像 的边缘在傅立 叶频谱 中占据 的也是 高频段； 　　　　　　 ２Ｃ） 图 　　　　　　 ３ 像的主 体或图 像中 灰度变化 较缓的区 域在频谱中占 据的是低频段。从而可 以对频谱 的各个频 段进行有选择 性的修改，以得到所需要的处理效果 ， 常 　　　　 通可以以数 字化 方式 用卷积核 来实现，下面是几种频域处理：（ ）低通滤波 　　　　　　 １ 保 留图像的低频成分 ，减少 图像的高频成分 ，从而可用来平滑 图像 、降低视觉噪音。下图是三种低通滤波的卷积核 。舀目翻图３ 低通滤波卷积核 　　　　　　　　 ． １Ｆｇ　 Ｃ ｎ ｏ ｔ ｎ　ｎｌｏ ｌ ｐｓｆｔ ｉ ３１　 ｖｌ ｉ ｋｒｅ ｆ　 ａ ｉｅ ． ｏ ｕｏ ｅ ｓ　ｏ ｗ　 ｓ　 ｒ ｌ（ ）中值滤波 　　　　　　 ２将邻域 中的像素排序后取 中位像 素作为中心像素的新值 。因为噪声是邻域中亮度值发生随机突变的像素， 经排序后， 总是在队首或队尾， 故经中 值滤波后图像中的随机噪声会被有效消除 。（） 　　　　 ３ 高通滤波增强图像的 高频成分而不改变图像的 低频成分，也 可用作图象锐化。下 图是三个高频滤波器 的卷积核 。大连 理工大 学硕 士学位论文Ｉ 八０１１ ／０Ｉ１ ／０１１ ／０１５ ／／ ０ １１１ 八０１１ ／０１１ ／０图３ 　　　　　　　　 ． ２高通滤波卷积核Ｆ ３ Ｃ ｎ ｏ ｔｎ　 ｅ ｏｈｇ ｐｓｆｔ ｉ ． ｏｖｌ ｉ ｋｒ ｌ ｆ　ｈ　ｓ　ｅ ｇ　 ２　 ｕ ｏ ｅ ｓ　 ｉ ａ ｉ ｒ ｎ ｌ对 于我们 　　　　 要处理的基 于双 目立体视觉 的左右 图像来说 ， 图像中存在 的大量 噪声都是离 散噪声， 研究的目 的既要从复杂的 背景中将目 标提取出 来， 并且还要最大程度的保留 图 像中的信息量， 这就构成了 滤波器设计的主要着眼点． 我们选择既能消除离散噪声又 能克 服图像模糊的中 值滤波器。 值滤波作为一种典型的 中 非线 性滤波方法， 在图像处理领域应 用广泛，中值滤波 可滤除图像中 的高频或低 频成分 ，较易去除 点、粗线噪 声，同时 保持图像的局部区 它能 域， 很好地去除二值噪声， 对脉冲噪声和颗粒噪声有良 好的 滤除效果 ，并且对图像边缘的保护较好 。另外 ，滤波后 ，提取 出的边 缘有变细 的趋势 ，这 对物体特征 的进一 步提取 是很有 帮助 的。中 　　　　 值滤波 是一种非 线性滤波， ．　Ｔｋ 在 １７ 年首先提出并应用在一堆信号处 Ｊ Ｗ　 ｅ ｕ ｙ ９１ 理技术中［。 １ 标准中 ０ １ 值滤波是用数字图 像中某点的邻域像素点 灰度中值来代替该像素点 的灰度值， 是在数字图 也就 像中 把以 某像素点（． （ １ 心的 ｉ　 ，为中 ） 模版内所有像素的 灰度值按 从大到小的顺序排列， 将中间 值替 （ 力 代（ 处的灰度值 （ ｉ ， 若模版中 有偶数个像素点，则取两 个中间值 的平均值 ） 。中值 滤波 的窗 口形状可取 方形 、十字 形、线 形、圆形 或菱形等， 根 据对图像 的不 同要求而定 。 以往 的经验 看 ， 从 方形或 圆形窗 口适宜于外 轮廓 线较长的物体图 像，而十字形窗口 优选于有尖顶角物体的图像。其维数也有常用的 ３ ，　 ５ Ｘ３ ５ Ｘ 等， 根据不同 位置的权重、图 像尺寸、 计算量等因素来确定模版的形状和大小。比 如一个 ３ 模版 的标准 中值滤波 定义 为如下形式 ： Ｘ３ａ －，１ ａ －ｎ 口 －ｎｌ ｍｌ－ ｎ ， ｍｌ ． ｍｌ＋ ａ ，， ，， －ａ， ｍ ｎａ ，ｌ ｍｎ ＋ａ ＋，ｌ ａ ＋， 口 ＋， ｌ ｍ ｌ－ ｎ ｍｌ ｎ ｍ Ｉ＋ ｎ其中“＿ 　　　　输入的 二为 。 数字图像中图像矩阵点ｍｎ （，　 ） 的像素值，ｍ　 ａ， ｒ 『 为处理后数字图像中图 像矩阵点（，） 二ｎ 的像素值。潘岩 ：基 于双 目立体视 觉的人脸三维重建 方法 的研 究具体步骤如下 ： 　　　　 （ ） 将模板在 图中滑动 ，并将模板 中心与 图像 某个像素位置重合 ； 　　　　 １Ｃ） 读取模板下各对应像素的 　　　　 ２ 灰度值； （） 将这些灰度值从小到 　　　　 ３ 大排列； （） 找出中间 　　　　 ４ 值； （） 将这个中间 　　　　 ５ 值赋给对 应模板中 心位置的像素。 由以 　　　　 上步 骤可以 看出， 值滤波的实质就是让周围 中 像素灰度 直的差比 较大的像素该取与 周围像 素值接近 的值，从而可 以消除孤立噪声点 。中值 滤波对 消除孤立 噪声点效果 较好 ，当图像中噪声较大时， 中值滤波将失效 。３ 图像分割 ． ３当对图像进行压缩或增强 时， 　　　　 输入 的是 一幅图像 ， 出的也是一幅 图像 ；当对 图像 输或景物进行分析时， 输入的是图像 或景物， 输出的 是对图 像或 景物的 描述， 要对图 像或景物进行描述 ，就必须 把图像或景物 分割成若 干个特定的部分，因此 ，就产生 了分割技 术。 图像分割是 　　　　 图像处理 与计 算机视觉 的基本 问题 之一， 其要点是按照一定 的规 则将 图 像划 分成若 干互 不交迭 区域的集合，这些区域要么对 当前 的任务有意义 ， 要么 有助于说 明他 们与实际物 体或物 体的某些部分 之间的对 应关系。 一般来说，进行图像分割的依据 如下： 　　　　 （） 分割的区域图像应具有类似的性质，例如灰度级别相近 ，纹理相似等 。 　　　　　　 １ （） 区域 内部平整 ，不存在很小的空洞。 　　　　　　 ２＜） 相邻的 　　　　　　 ３ 区域对于选定的某种同 质判据而言， 应具 有明 显的 差异性。 （） 每个分割区域的 　　　　　　 ４ 边界应具有整齐性和空间 位置的 准确性。 在实际的 　　　　 应用中， 数的图 大多 像分 割方法只能部分地满足上面的条件， 如果加强图像分割的同 质性约 分割区域很 束， 容易产生 大量小空洞和不规则边缘， ． 若强调不同区 域之 间的差异的显著性 ，则容易造成非同质区域的合并和有意义边界的丢失。因此 不同的 分割方 法总是在各个约束之间寻找适 当的平衡 点。 ３ ．图像 分割方法的分类 ．１ ３目 　　　　 图像分割方法有阂值法、 前， 常用的 边缘检测法、区 域生长法、 纹理分析 法等。（ ）阂值法 　　　　　　 １ 闽值法又称 　　　　 为门限法 ， 它对于物体与背景有较 强对 比的图像的分 隔特 别有用，它计 算简单 ，而且总能用封 闭且连 通的边 界定义不交 迭的区域 。 在使用阐值 法进行 图像分割大连 理工大学硕士 学位 论文时，所有灰度值大于或 等于阐值的像素被判属 于物体，所有 灰度值 小于阐值 的像素 被排 斥在外 。 如果感兴趣 的物 体在其 内部具有均匀 一致的灰度值 ，并且分布在具有另 一个均 匀灰度值 的背景之上 ，那 么阂值法 的效果就很好 。 对于大部分 　　　　 图像来说 ，仅将其 分割 为物体和背景还 不能很好地理解 图像 ，这 时， 应 该使用 多闭值 法，通过 设定多个 Ｉ值 ，把 图像 分割成多个 目 与背景。 Ａ ７ 标在阐 　　　　 闺值大小的 值法中， 选取对分割结果有重 要的影响。 根据Ｉ值的选取方法， ｌ ｌ 阐 值可分为固定阐值和自 动阐值两类。 如果阐值选取随 着图像不同而不同， 就叫做自 动阐值 ，这 时阂值 的选取会根据 图像中灰度的分布情 况 自动选取 。另外，根据 闽值的作用范 围，闺值可 以分 为全局 闽值和 自适应闭值 。在使用全局 阂值 时，整个 图像 中的阐值都设 为 同一值 ， 对于整个 图像 中物 体和背景的颜色均 匀的情况下 ， 全局 １值 法一般会有较好 Ｍ ７ 的效果 。当图像 中的明暗度 不均 匀， 以慢斜率变化 时，这时应将 图像分割成几个 子块 ， 在每个子块 中设定不 同的Ｉ值 ，这时的阐值 叫做 自 Ａ １ 适应 阂值 。 阐值法虽然简单 ，但 其应用的范 围很有 限，只 能在某些特定 的场合使用 。 　　　　Ｃ） 　　　　　　 ２ 边缘检测法 边缘 　　　　 也称作 检测法 基于梯度的图 像分割方法。 基本思想是先检测图 它的 像中的 边缘 点， 再按照一定的策略连接成轮廓， 从而构成分割区 域。 于边界具有高 由 梯度值的性质， 所以 又称作基于梯度的图像分割方法。 进行边缘检测的最基本方法是图 像的微分 （ 差分） 、梯度和拉普拉斯算法等 。 边缘检测的结果还不是 图像 分割的结果 ， 　　　　 还必须把 边缘点连接成边缘链 ， 形成直线、曲 线、各种轮廓线等， 直到能 表示图像中物体的 边界。 边缘形成线特征包括两个过程： 抽取可能的 边缘点； 将抽取的 边缘连接成直线、 曲线、 轮廓线。 或用一定的 直线、曲 线去拟合它们 。 此种 方法的难 点在 于边缘检测时抗噪性和检测 精度的矛盾 ， 提高检测精度，则噪 　　　　 若 声产生 的伪边缘会 导致 不合理的轮廓 ；若提 高抗噪性，则会产生轮廓漏 检和 位置偏差 。 （ ）区域增长 　　　　　　 法 ３ 区域 增长法 　　　　 是一种 已经 受到人 工智 能领 域 中的机 器视觉 界广泛 关注 的一种 图像分 割 方法 。这种方法是从把 图像分 成许 多小区域开始 的，区域是图像 中在某些特征 方面具 有 相似 性的一组像素的集合 ， 些初始的区域可能是 小的邻域甚至是像素 ， 究每个 小 这 研 区域与相邻小区域之间 的关系 ，如果两个区域具有类似 的特征 ， 消除两 个小区域之间 则的边界，把两 个小区域合并起来。 这时一个迭代的 过程， 每一步重新计算被扩大的区域同其周围 区域 的关系 ， 并消除弱 的边界 ， 当没有可消除 的弱边界 时， 区域增长过程结束 ， 图像分割 也就完成 。 检查这个过程会 使人感 觉这是一个物体 的内部的区域不断增长直到潘岩：基于双 目立体 视觉的人脸三维重建方法 的研 究其边 界对应于物体的真正边界为止的过程 。区域增长算法较一些简单的图 　　　　 像分割算法计算开销大， 但区域增长能够直 接和间接利用 图像的若干种性质来决定最终 的边 界位置 。 它在 自然景物 的分割方面 能显示最佳性 能，因为这种情况下得不到足够 的先验 知识。（） 　　　　 ４ 纹理分析法 纹理是以 　　　　 像素的 邻域灰度空间 分布为 特征的， 因此无法用点来定义， 纹理是图 像中 重要而又难以 描述的 特征， 看起来很显然， 但至今 还没有为人们所公认的 定义， 习惯上把 图像 中的这 种局部不规则 而宏观有 规律 的特性称 之为纹理 。用于纹理 分析 的算法很多， 这些方法大致可分为统计分析和结构分析两大类。 前者研究图 像有关属性的统计规律 ；后者着力拽 出纹理基元 ，再从结构组成上寻找规律。无论从历 史发展 还是当前进展 来看 ，统计方法研究与应用仍 占主导地位 。３ ．基干阂 ． ３ ２ 值的分 法 割算 纹理分割是 动确定图 　　　　 自 像中 各种纹理区 域之间的 边界， 尽管纹理参数的定量分析与测 量队 图像分割十分有用 ， 但大 多数确 定纹理特 性的统计方 法并不提供 精确测量 。 纹理分析是一个十分活跃的研究领域，不过迄今为止还没有一种在各种场合下都通用的方法。 基 于阐值 　　　　 的分割法 是一种简 单有 效的图像分割方法， 它利用 图像 中所要提取 的目标与 背景在灰度 特性上的差异， 通过选取合适的灰度闭值来对图 像进行分割， 从而将目 标 从背景中区分出来。 值的选择方式可以 ｍ Ｉ 分为全局阑 值、自 应闭 适 值和最佳闽值三种方式：Ｃ） 　　　　　　 全局闽值是指整幅图 １ 全局Ｉ ｍ １ 值： 像使用同一个阂值做分割处理。 适用于 背景和前景有 明显对 比的图像 。Ｃ）自 　　　　　　 在许多情况下， 和背景的 比 ２ 适应闭 值： 物体 对 度在图像中不是各处 一样的， 这时很难用统一的 一个闭 值将物体与背景 分开。 这时可以根据图像的 局部特征分别 采用不同的 闺值进行分割 。实际处理时，需要按照具体 问题将 图像分成若干 子区域 分别选 择 闭值 ，或者动态地根据 一定的邻域 范围选择每点处的闭值，进行 图像分割 。Ｃ）最佳Ｉ值：闺 　　　　　　 值的 ３ Ａ 选择需要根据具体问 题来确定。除非图像中的 物体具有陡 峭的边缘， 否则灰度闽 值的取值对所抽取物体的 边界的定位和整体的尺寸有很大的影响，这意味着后续 的尺寸 的测量对于 灰度 阐值 的选择很敏 感。对于给定 的图像 ，可 以通 过分析直方图的方法确定最佳的闺值、例如 当直方 图明显 呈现双 峰情况 时，可 以选择 两 个峰值的 中点作为最佳 闭值 。大连理工大学 硕士学位 论文一种简 单常用 的算 法是基于图像一维灰 度直方 图来 求得分割闭值 ， 维最大类 间方 　　　　 一差法（称为ＯＴ 便是其中 也 ＳＵ法） 一种常用的方法［。 １ 其基本思想是 ］ 利用闭 将像素灰 值Ｓ度分成两类， 使这两类灰度均值距离最远的 Ｓ 为最佳分割阐值。 文献［ ］ ［ 提出了 １ ２ 用模糊 技术在一维直方图的基础上求阐 值的图 像分割方法。 ＳＵ法在图 ＯＴ 像质量较好和背景 稳 定 变化的 情况下可以 取得令人满意的效果。 但是当图像的信噪比 较低时，由 于这些闽 值分割法仅仅基 于一维灰度信 息，并没有考虑 图像 的空间信息 ，因此噪声的存在极 大地影响了 分割效果。由 于二维灰度直方图（ 像素点的灰度和邻域的灰度均值组成） 由 比一维 灰 度直 方图能更清晰地反映图 像的灰度聚类分布信息， 所以有学者提出了基于二维灰度直 方图 的阐 值分割算法［］］］ ［［［ 。这类算法既利用了 １１１ ３４５ 像素点的 灰度分布信息，也利用了像 素点 的邻域空间相关 信息， 考虑的 范围由单点的灰度值转变成该点的灰度和其邻域的灰 度均值的 结合， 分割的效果有了 一定的 提高。 常用基于二维灰度直方图 的闽 值分割法有 二维 最大类间 方差算法、二维相关系数法、二维最大嫡法等。 这些方法的基本思想都是 利用一组闽 Ｓ乃 值（ 将二维灰度直方图 ， 分成 ４ 个区域， 通过求使 目 域和背景区域的 标区 类 间 方差（ 或嫡、 相关系数） 最大的 Ｓ乃 （ 来得到最佳闽值进行图 ， 像分 割。 这类方法因为考虑 了图 像的空间 信息， 抗噪能力有了 一定提高， 但是由于解空间维数的增加， 导致计算时间延长，影响了这一类方法 的应用 。３ ． 改进的基于 ． 一种 ３ ３ 二维灰 度直方图闭 值方法本文在 总结前人工作 的基础上 ，提 出了一种 改进的二维直方 图阖值方法 ，能有效的 　　　　减少由 于解空间 维数增减的计算量， 在阂值选取的 合理性和计算的快速性方面得到了提高，下面详细介 绍这 种方法 。 ３ ．１ ．３ 传统的基 于二维灰度直方图闺值分割方法 的性能分析 ３． 如 前所述 　　　　 ，基于一维灰度信 息的闭值分割方 法没有考虑 图像的空间信 息，因此噪声的 存在极 大地影响了 分割效果。 相对于一维直方图阂值分割方法， 二维灰度直方图 分割 方 法还考 虑了目 标像素点的 邻域像素点，因 此能够更准确、 更清晰地反映图像的灰度分布息 信。由 　　　　 像 目 于很多图 标区域内 部和背景区域内部的像素点之间 相关性很强， 像素点的 灰 度值和它的邻域灰度均 比 值 较接近， 目 而 标和背景的 边界附近像素点以 及噪声的灰 度值 和邻域灰度均值之间的差异明显， 此通常 因 选定一组Ｉ （ 乃， Ｃ Ｓ 将二维灰度直方图分割 Ｊ ， 值（成如 图 ３ 所示 的 ４个区域 ： ． ８潘 岩：基于双 目立体视觉 的人脸三 维重建方法 的研 究Ｌ１ －称 浏图３ ． ８常用的二维灰度直方图Ｆｇ ．Ｇ ｎｒｌ　ｇａ ｈｓ ｇａ ｉ．８　 ｅ ２ ｒｙ　ｔ ｒ ３ ｅ ａ Ｄ　 ｉｏ ｍ图中Ｊ ， 为待处理图像的像素（Ｙ的 （Ｙ ｘ） （ ） 灰度值， （ Ｙ ｘ ，　 ９ ，　 ｘ） 表示以点ｘＹ （ ） ，　 为中心的面积为 ｋ Ｘｋ 的区域的平均灰度值，图像的灰度级为 Ｌ ，图像 的大小为 ＭＸ ，则 ： Ｎｇ，　 笙堂ｘ， ） （） ．一 ｙ共 ｆ　＋ （ｙ ＋ ” ｍＫ一 － ｋ 　　　　　　　　　　　　　　　　 ／ ＝ 叮２ ２ｎ 一（＜ ＋ Ｍ，＜ ＋ ＜ ）　１ ０ ｘ 二＜ ０ Ｙ ｎ Ｎ　（ ） ３ ．区 Ｉ 　　　　 标（ 域 和目 或背景） 对应，区域 Ｉ和背景（ 目 对应，而区域 ｍ 和区域 ｗ 表 Ｉ 或 标）示边界点和噪声点，在大多数情况下 ，区域边界 附近 的像点数与整幅图像的像点数 比较数 量很少， 所以 很多算法都将这两个区 域忽略， 而在求出最优闭值（ 乃 （ 后，将区域 ｍ Ｓ ，和区域 Ｉ Ｖ化归到区域 Ｉ 或区域 Ｉ中，而这是导致这类方法存在 误差的根源 。为解决 　　　　 题， 这一问 文献［ 〕 用模糊聚类来分割区域 Ｉ 和区域Ｉ 。 １ 提出 ３ Ｉ Ｉ Ｖ 文献【 ］ １ 针对 ５ 这两个区 域点的 邻域像素归 属提出了一 种分类方法， 但它们都是基于区域Ｉ 和区域 Ｉ分 割 后的闺 值结 果。 文献【 〕 １ 则提出 ６ 用一条二维灰度直方图上的 二次曲 线来进行分割，解 决了一定问 但不 题， 足之处是这样就更复杂， 计算所耗费的时间 更多 ，并且同 样也要依 靠对区域Ｉ 和区域 Ｉ Ｉ 计算的闽值结果。 从上面的分析可以 看出， 这种区域划分方法本身 有一定的不足。 然像素点的灰度值和它的邻域灰度均值比较接 这些点 既 近， 应该分布在 直方图的对角线周围， 而这种划分方式将区 Ｉ 和区域 Ｎ 中的背景点和目 域 Ｉ 标点认作了噪声和边缘丢掉， 而将 目 标和背景 区域 Ｉ 和区域 Ｉ也可 能存在的噪声点和边缘点认作 了 Ｉ 目标点和背景点。根据 以上分 析，基于这种划分的闽值 的计 算必然 会出现偏差 ， 而且 在寻找最佳０ １ 值时需要遍历整个解空间０ － Ｘ　 －， 耗费时间， 致算法的实时 〔Ｌ１ ［ Ｌ１ 非常 ，　 ０ ］ ］　，　 导性太差 。为了 　　　　 值的求取过程， 加快闽 一些文献提出 用模拟退火算法来寻优。 ， 刀 还有一些文献 提出 用遗传 算法来寻优［［ 。 １ ８ （ １ 如何能在计算时 ４１ １ 尽量多 地包含背景和 目 部点， 标内 减少噪声的干 扰，缩 小解空 间，加 快算法的运行速度 ，这 是该类算法所 需解 决的问题 。大连理工大 学硕士 学位论文３． 改 ．３ 进的 ３． ２ 二维直方图算法 在实 　　　　 验室状态下获取的不规则物体的图 像上像素的灰度变化较少， 因此像素灰度ｆ ， （ ｘ ｙ ） 与邻域像素 平均灰 ９　 ） 度（ Ｙ ， ｘ 相差不大， 表现在图 像的二维灰度直方图 上就是主要分 布 在 ｈ　 区域，出 Ｉ 现在 Ｉ，　 Ｉ Ｉ Ｉ Ｖ区域的 概率很小， 而在 ｈ　 区域中又以 Ｉ Ｉ 靠近对角线的区 域分布最为广泛， 根据这一先验知识我们可以 对二维灰度直方图 进行优化， 优化后的灰度直方图为：图３ 　　 优化后的二维灰度直方图 ． ９Ｆｇ３ Ｏ ｔ ｉｅ ２ ｇ ｙ　ｔ ｒ ｉ ． ｐｍｚｄ　 ｒ ｈｓ ｇａ ．９　 ｉ Ｄ　 ｉｏ ｍ ａ根据图 　　　　 一维灰 像的 度直方图采用模糊评价理论求出 ｎ的最佳值， 使得 Ｉ Ｉ区域能 ，　 Ｉ 最大程度地覆盖有效闽 值。然后在 Ｉ Ｉ区域中采用遍历算法求出阂值点（ ｔ ，　 （ ） Ｓ 的离散度 ，　 测度 ＳＳｔ 最大的离散度测度所对应的分 Ｂ，　 （） ， 割闭 值就是最优阐 ＳＤ， 值（ Ｉ 具体计算步骤如 下１ ． １ ９ １ 根据 　　　　 Ｃ （ ｔ 设定的Ｉ Ｓ ） Ｊ ，　 值（ 将二维直方图 分成 Ｃ 和 Ｃ两个集合，它们分别代表目 ｏ ： 标和背景 ，则 目 标和 背景 出现的概率分别 为：Ｐ＝ （）叉艺， ＝　，　 Ｏ ＰＣ ＝ Ｏ ‘ Ｐｓ） ， Ｏ　 ， （ｔｉｏ　 ｏ ＝ ； ＝Ｌ－１　ｃ －１（．） ３２Ｐ Ｐ ） Ｅ艺， 一 （ｔ ， （＝ ＝Ｃ ‘ Ｐ　 ． ｓ） 、 ，　ｌ ＊ － ， 少 ｒ１ ＝＋（．） ３３ｃ和 Ｃ分别对应于图３ 中的Ｉ Ｉ区 ｏ ｌ ． ９ ，　 域。 其相应的 灰度均值矢量分别为：潘岩 ：基于双 目立体视 觉的人脸三维重建方 法的研 究“ ＝ｕｉ　 ｕ 。 （， ａ 　　　　 ｏ ｊ菩 一 屡Ｐ了． 、？ＰｔＣ） ＂（ ａ ｛（３４） 阴１　 一＂　Ｊ｝ｏ ｊ Ｐ（ Ｃ ） ＝ ａＹ． Ｌ － １ ｊ ｕ＝ｕ［　ｕ ）＝ １ （， ｌ 　　　　　　 ｌＴ ， ｊ ｝ Ｌ － １ ＞　乙 　ｑ）Ｐ了 ‘ 、了Ｃ、口图像 总的灰度均值矢量为：Ｌ－１艺Ｌ－ｌ艺．Ｐ＋ 闭 问 ｔ Ｊ 　－ Ｕ 二Ｕ１　 ＵＪ －　　 Ｌ－１艺 闪艺 Ｔ （， Ｔ 　　　　　　　　　　　　　　　　　　　　　　　 Ｔ 　 八Ｊ 　 间 间 Ｊ． 　　 　 　（３６） （３．７） （３８） 既定义离散度矩 阵为：　Ｓ＝ Ｐ ｋｕ一 ） 一 ） Ｂ艺 （）ｘＵ（ “Ｔ Ｃ［ Ｔ ｘ Ｔ　 （ ｕ以离散度矩 阵的迹作为离散度 测度，即：ｔ ， ｏ　一Ｔ？　， 。 ）＋， １ Ｔｚ　 一Ｔ２ 　　　　　　　　　　． ］Ｐ（‘ｕ） （， Ｕ ） ｒ 卜Ｐ（，。ｔ＋ ｏ Ｔ２ ［ 一 ． ＋ １ ．ｌ （ Ｓ ｝ｏ ， （厂 ； ｕ ‘ ） Ｕ ｕ ｒ ｕ ｉ　当上述离散度矩阵的 迹取得最大值时， 其所对应的 分割闭 值就是最优阐值（ 乃， （ Ｓ ，ｔ ，，　骤ｘｔＨ，｝ ｒ （Ｔ＝ Ｌｒ （） （ Ｓ ） 。 － （ ｓ） Ｓ 　 ） １　 ｔ １Ｓ （３ ／结 ．Ｊ ４　 、（９ ３） ．本章介 绍了图像预 处理的相关内容，对 图像进行灰度化之后 ，进行平滑和滤波来消 　　　　 除图像的噪声。在 图像 分割方面，提 出了一种改进的的基于二维灰度 直方图阂值方法 ， 这种方法可以减少噪声的干扰，缩小解空间 ，并且加快算法 的运行速度 。大连 理工大学硕士学位 论文４ 边缘特征点提取特 征点提取 　　　　 是为 了找到 图像的边缘 控制点 。最 常用的特 征点是 图像 中的一些特 殊 点，如边缘点、角点 、拐 点等。其中，边缘特征 是最常见也是最重要 的特征 。 边缘就是物体 的轮廓 或物体不 同表面之 间的交界在 图像 中的反 映， 　　　　 它的形成是 由于物体的材料不同 或表面朝 向 不同， 引起在图 像中的边缘处存在明 色彩、 暗、 纹理的 变化。 因此反过来在图 像中 检查不同 灰度、 色彩等特性区域的交界处就可以 得到边缘。 边缘轮 廓是人类识别物体形状的重要因素， 也是图 像处理中 重要的处理 对象。 它是图 像的 最基 本特征， 在两幅图 像中产生相似的结 果，并 且分布较合理。在 一幅 图像 　　　　 中，边缘有 方向和幅度两个特征 。沿边缘走 向的灰 度变化 平缓，而垂直 于边缘 走向的灰度 变化强烈 ， 这种 变化可能是阶跃形 或斜坡形。在边缘上灰度 的一 阶导 数幅值 较大 ，而二阶导数在边缘上 的值 为 ０ 其左 右分别为一 正一负两个 峰， ， 也就是 说， 边缘 点对应 于一阶微分幅度大 的点，也对应于二 阶微分的零交叉 点。因此，利用梯度最大值或二阶导数过零点提取边界点就成为一种有力的手段［ ［ ２ ０ １现有的方法主要 以各种微 分算子为基础 ， 　　　　 结合 用范本及 门限、 平滑等手段提 取边 缘。 如 Ｐｅ ｉ 算子 、Ｓｂｌ ｒ ｔ ｗ ｏｅ算子 、Ｋｒ ｈ算子和 Ｒ ｂｒ算子 ，都是一阶微分算子，二阶微分 ｉｃ ｓ ｏｅｔ算子有拉普拉斯算子、 Ｈ算子等。 Ｍ－４ 常用算法 ． １４． ．１ １ 基于一阶 微分的 边缘检测算 子一阶微 分是图像边缘和线条检测 的最基本 方法 。常用 的算子有 ： 　　　　 （）Ｒ ｂｒ 算子 ： 　　 ｏｅｓ １ ｔ Ｒ ｂｒ 边缘算 子是有一种利用局 部差分 算子查找边缘 的算子 。它 由下式 给出： 　　　　 ｏｅｓ ｔＳ）　Ｙ ｆ １１ ［　）ｆＹｆ ４ 　　　　召＋＋ ＋ （，Ｉ，　 （ （＝　） （，） ｆ １ －＋ ｒ ． ｘ ４（ 一ｘＹ １ ｘＹ （ １ ’ １ ，１ Ｙ ｆ － ｚ　 ＋ －　 ） Ｔ ）其中力， ，　１ ，ｘＹ＇ｆ＋，　分别为４ 力ｆ ， Ａ ，　，　１ ＋） （ 力 ＋ ｘ ＋）（ Ｙ１ ｘ 领域的坐标，是具有整数像素坐标的输入图像， 平方根运算使该处理类似于在人类视觉系统中发生的过程。 这种方法计算简单，对具有 陡峭边缘 的低 噪声图像响应最好 。Ｒｂｒ 算子是 ２ ２ 模板。 ． 　　　　 ｏｅｓ ｔ Ｘ 算子 图４ 所示的２ １ 个卷积核形成了Ｒｂｒ 算子。 ｏｅｓ ｔ 图像中 的每一个 点都用这 ２个核做卷积 。潘 岩：基于双 目立体视 觉的人脸三维重建 方法的研究医 ０ 日 日图 ４１　 ｅｔ 　　．Ｒ ｂｒ 算 子 ｏ ｓ Ｆ ４１　 ｅｔｏｅａ ｒ ｉ ．Ｒ ｂｒ ｐｒｔ ｓ ｇ　 ｏ ｓ　 ｏ（）　ｂｌ ２ Ｓ ｅ算子： ｏＳｂ 算子是利用像素邻近区域的梯度值来计算一个像素的 　　　　 ｏｅ ｌ 梯度， 然后根据一定的阐值来取舍 。它由下式给 出：Ｓ （ ＋ ＇　　　　　　　　　　　　 　　　　　　　　　　　　　　　　 一 ｚｄＹ ｘ ｄ ｙｉ ｚ　 （） ４ ． ２Ｓｂｌ 　　　　 ３ ３ ｏｅ算子是 ｘ 算子模板。图４ 所示的 ． ２ 两个卷积核形成了 Ｓｂｌ ｏ 算子， ｅ 图像中的每个点都用这两个核做卷积 ， 个核 对通常的垂直边缘 响应最大 ，而另一个对水平边 一 缘响应最大 。两个卷积的最大值作 为该点的输 出值，运算结 果是一 幅边 缘幅度 图像 。－　 ２ １　 　 ０　 １ １　 　　　　 　　　 －－ ２　 ０　 ２１ 　　　 　　 －　　　 ０　 １　 １　 ２ ０　 　　　图 ４ Ｓｂｌ 　　２　 ｅ算子 ． ｏ Ｆｇ　 Ｓｂ ｌ　ｒｔｒ ｉ ４ ｏｅｏ ｅ ｏｓ ． ２　 ｐａ（ ）Ｐｅ ｉ 算子 ： ３ ｒ ｔ ｗｔＰ ｗｔ 　　　　 下式给出： ｒ ｉ算子由 ｅ ｔＳ一ｘ ｄｙ 　　　　　　　　　　　　　　　　 ，ｒｚ　 ＂　 ｄ ＋ ２　　　　　　　　　　　 ｙ （） ４ ． ３Ｐｅｉ算子是 ３ ３ 模板。 ４ 所示的 　　　　 ｒ ｔ ｗ Ｘ 算子 图 ． ３ 两个卷积核 ｄ， 形成了Ｐ ｗ ｔ }