论文部分内容阅读
3D人体建模在3D游戏、数字娱乐、虚拟现实等多个领域扮演着重要的角色。尽管该技术极其重要,但由于人体肌肉的复杂多变形,这一领域的很多工作需要大量的人工参与。此外,近年来随着电子商务的发展,虚拟试衣逐渐成为一项热门的技术。由于虚拟试衣需要用户的三维人体模型作为基础,因此获得这一模型显得尤为重要。激光雷达是建立人体模型最为精准的仪器,但由于价格过高,不适合于日常应用。随着Kinect的普及以及大量学者的工作,人体模型的重建得到了迅速发展,但仍是一件具有挑战性的工作。因此本文重点解决上述两个问题:(1)3D人体建模;(2)体型估计。这两项工作都依赖于一个人体模型数据集,而现有的数据集在不同方面存在着缺陷,因此本文首先结合已有的数据集,使用一种基于迭代最近点(ICP)的非刚性对齐方法,并通过空洞补全和手势替换,最终建立了一个大规模、高分辨率、具有点对点对应关系的人体模型数据集。在此数据集的基础上,本文提出了一种三维人体语义参数化建模的方法。本方法通过建立三维人体模型与人体语义参数(如胸围,腿长等)之间的映射关系,有效的解决了人体体型建模的问题。与现有的方法相比,本方法通过结合人体拓扑学的规律,减小了求解映射关系时的参数空间,从而有效的解决了现有方法中出现的过拟合问题。通过结合本方法和本文建立的数据集,可以做到独立的调节人体每一个部分的尺寸,实现局部变形。在三维人体模型估计方面,本文通过搜索数据集来找到与Kinect采集的深度图最为匹配的人体模型。为了增加结果的准确性,我们采用分块匹配的方法。同时对于Kinect采集的深度图,本文采用了一种基于加权最小二乘法(WLS)的方法进行平滑处理,有效解决了噪声问题。在建立模板与点云数据的对应关系时,我们采用了一种基于高斯混合模型的方法,并通过滤除误匹配点和拉普拉斯变形来最终确立两者的对应关系。实验证明本文提出的方法能够准确的对人体进行估计和测量。