3、计算机视觉中的重建与配准技术解析

计算机视觉中的重建与配准技术解析

在计算机视觉领域，三维重建和点集配准是重要的研究方向，涉及到诸多数学模型、优化方法和应用场景。下面将详细介绍相关的技术和方法。

研究内容概述

整体研究工作分为多个部分，涵盖了从基础概念到具体方法的多个层面。主要包括非刚性点集配准方法、场景流估计方法，以及相关的基础理论和优化技术。

非刚性点集配准方法 - NRGA

• 原理 ：利用粒子动力学原理开发了非刚性GA（NRGA）用于点集的非刚性对齐。将非刚性配准问题转化为重叠点组的多个局部刚性相互作用。
• 优势 ：在存在均匀噪声和结构化异常值的数据中，NRGA显示出前所未有的配准精度，能很好地平衡模板的全局拓扑和局部细节捕捉。
• 应用 ：可用于外观转移和3D人脸匹配等新应用。同时，GA、BH - RGA和NRGA允许通过点质量层次结构嵌入弱先验对应关系。

场景流估计方法 - MSF

• 方法介绍 ：引入了一种从RGB - D图像进行场景流估计的新方法，即具有分段刚性运动的多帧场景流（MSF）。该方法考虑了短时间窗口的帧。
• 优化方式 ：与之前的变分RGB - D场景流方法不同，MSF被表述为一个能量优化问题，并使用非线性最小二乘法进行能量优化。能量项包括直接作用于3D点的投影迭代最近点项和区分局部相干和独立运动的提升段姿态正则化项。