[发明专利]基于视频流的织物三维悬垂形态重建方法

说明书

技术领域

本发明涉及一种通过采集织物悬垂的视频从得到织物悬垂的三维彩色模型的方法。

背景技术

织物的悬垂形态主要是指织物悬垂曲面的三维外观形态。现有技术主要是通过悬垂投影上的二维信息间接反映织物的悬垂形态，具有较大的局限性。

发明内容

本发明的目的是通过视频流来获取织物悬垂曲面的三维外观形态。

为了达到上述目的，本发明的技术方案是提供了一种基于视频流的织物三维悬垂形态重建方法，其特征在于，包括以下步骤：

第一步、将织物剪裁呈圆形后放置在悬垂仪的托盘上，随后放置安装有棋盘的顶盘，织物居中位于托盘与顶盘之间，且棋盘中心与顶盘中心重合；

第二步、沿上环形轨迹、下环形轨迹匀速移动摄像设备进行摄像，上环形轨迹位于织物正上方，下环形轨迹与织物的悬垂底边平齐；

第三步、将第二步拍摄到的视频流转化为图像序列；

第四步、分别利用SIFT算法和Harris算法对第三步得到的图像序列进行特征点检测；

第五步、提取出图像序列中所有图像上的特征点后，计算每一幅图像与待匹配图像中的特征点的最近邻匹配；

第六步、求出图像序列中两两图像之间的外参矩阵，并将其归一到同一坐标系下即可计算出特征点的三维坐标，从而获得三维点云；

第七步、对第六步获得的三维点云进行泊松重建，获得重建模型；

第八步、在第七步获得的重建模型上进行纹理映射，获得三维悬垂模型。

优选地，在所述第一步中，若织物为纯色织物，在在织物表面绘制网格线。

优选地，在所述第三步中，对第二步拍摄到的视频按预先设定的采样密度提取相应的截图，从而将视频流转化为图像序列。

优选地，在所述第四步中，利用SIFT算法对图像序列进行特征点检测包括以下步骤：

步骤4A.1、对于图像序列中的任意一副二维图像I(x，y)，由二维图像I(x，y)与高斯核函数G(x，y，σ)的卷积得到在不同尺度下的尺度空间图像L(x，y，σ)，σ为函数的宽度参数，控制了函数的径向作用范围。建立图像的DOG金字塔，D(x，y，σ)是两个相邻尺度图像之差，则有：

D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ)，式中，k为尺度参数；

步骤4A.2、为每个特征点指定方向参数，使算子具备旋转不变性：

像素点(x，y)处的梯度模值为m(x，y)，则有：

像素点(x，y)处的梯度方向为θ(x，y)，则有：

θ(x，y)＝αtan2((L(x，y+1，σ)-L(x，y-1，σ))/(L(x+1，y，σ)-L(x-1，y，σ)))，式中，α为主曲率的特征值；

步骤4A.3、特征点描述子的生成：将坐标轴旋转到特征点方向，对每个关键点使用4×4共16个种子点来描述，这样对于一个特征点就产生128个数据，即128维的SIFT特征向量。

优选地，在所述第四步中，利用Harris算法对图像序列进行特征点检测包括以下步骤：

步骤4B.1、以像素点(x，y)为中心的小窗口在X方向上移动u，在Y方向上移动v，其灰度变化的解析式为：

式中，E(x，y)为灰度变化量，o为无穷小量运算符；

步骤4B.2、将E(x，y)化为二次型有：

式中，M为实对称矩阵，I_x为图像I(x，y)在X方向的梯度，I_y为图像I(x，y)在Y方向的梯度；

步骤4B.3、将角点响应函数CRF定义为：

CRF＝det(M)-0.04*trace²(M)，式中，det(M)为实对称矩阵M的行列式，trace(M)为实对称矩阵M的迹；

角点响应函数CRF的局部极大值所在点即为角点。

优选地，在所述第六步中，二维点p＝[u₀，v₀]^T与其对应的三维点P_w＝[x，y，z]^T间的关系为：