Гибридная модель деформации для задачи неригидной регистрации результата трехмерного сканирования

Ключевые слова: трехмерное сканирование, неригидная регистрация, итеративный алгоритм ближайших точек, численные оптимизации

Аннотация

Одной из задач в области компьютерной графики является задача поиска соответствий между трехмерными моделями (задача неригидной регистрации). Особый интерес представляет регистрация результатов трехмерного сканирования человеческого лица, с последующим использованием результатов регистрации для создания анимации. Существует множество алгоритмов регистрации, однако, большинство из них плохо работает в случаях, когда входные модели сильно отличаются друг от друга. В частности, при регистрации трехмерных моделей нейтрального и кричащего лица. В данной работе предлагается модификация итеративного алгоритма ближайших точек, приспособленная для высокоточной регистрации сильно отличающихся трехмерных моделей. Ключевыми компонентами алгоритма являются: гибридная модель деформации, основанная на графе деформации, для захвата мелких деталей и модель деформации на основе специальным образом подготовленных моделей, которые грубо задают возможные деформации целевой модели.

Скачивания

Данные скачивания пока не доступны.

Биография автора

Кирилл В. Климов, Воронежский государственный университет

аспирант, кафедра программирования и информационных технологий, факультет компьютерных наук, Воронежский государственный университет

Литература

1. Rusinkiewicz S., Levoy M. Efficient Variants of the ICP Algorithm. 3D Digital Imaging and Modeling. Stanford University. 2001. P. 145–150. DOI
2. Botsch M., Sorkine O. On Linear Variational Surface Deformation Methods. IEEE Transactions on Visualization and Computer Graphics. 2008. V. 14. P. 213 230. DOI
3. Sorkine O., Alexa M. As-rigid-as-possible surface modeling. SGP ‘07 Proceedings of the fifth Eurographics symposium on Geometry processing. 2007. P. 109–116. DOI
4. Sumner R., Schmid J., Pauly M. Embedded Deformation for Shape Manipulation. ACM SIGGRAPH. 2007. No 80. DOI
5. Blanz V., Vetter T. A morphable model for the synthesis of 3D faces. SIGGRAPH 1999. P 187–194. DOI
6. Cao C. [et al] Stabilized real-time face tracking via a learned dynamic rigidity prior / // SIGGRAPH Asia 2018. V 37. DOI
7. Bhat K. [et al] High Fidelity Facial Animation Capture and Retargeting With Contours. Eurographics Symposium on Computer Animation. 2013. P. 7–14. DOI
8. Bouaziz S. [et al] Sparse iterative closest point. Eurographics 2013. P. 113–123. DOI
9. Bouaziz S. [et al] Modern techniques and applications for real-time non-rigid registration. SIGGRAPHASIA2016.DOI:10.1145/2988458.2988490
10. Low K. Linear Least-Squares Optimization for Point-to-Plane ICP Surface Registration. – Available at: URL (accessed: 02.05.2019).
11. Horn B. Closed-form solution of absolute orientation using unit quaternions. Journal of the Optical Society of America A. 1987. V 4(4). P. 629–642. DOI
12. Fyffe G. [et al] Multiview stereo on consistent face topology. Computer Graphics Forum. 2017. P. 16–45. DOI
13. Nocedal J., Wright S. Numerical Optimizations. Springer Series in Operations Research and Financial Engineering, 2006. 683 p.
14. Verboon, P. Majore ation wtthiteratively reweighted least squares: A general approach to optimize a class of resistant loss functions.
15. Neidinger, R. Introduction to Automatic Differentiation and MATLAB Object-Oriented Programming. – Available at: URL (accessed: 17.05.2019)
16. Bogo F., Romero J., Black M. FAUST: Dataset and evaluation for {3D} mesh registration. CVPR 2014.DOI
17. Anguelov D., Koller D., Thrun S. SCAPE: Shape Completion and Animation of Peoplt. SIGGRAPH 2005. Los Angeles, California, 2005. P. 408–416. DOI
Опубликован
2020-03-24
Как цитировать
Климов, К. В. (2020). Гибридная модель деформации для задачи неригидной регистрации результата трехмерного сканирования. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (1), 119-129. https://doi.org/10.17308/sait.2020.1/2598
Раздел
Современные технологии разработки программного обеспечения