[发明专利]一种基于字典学习的目标重建方法

权利要求书

1.一种基于字典学习的目标重建方法，其特征在于，包括以下步骤：

第一步，利用已有的稠密点云模型，构建点云字典库；

第二步，构建目标的稀疏点云模型，并利用第一步构建的点云字典库对所述稀疏点云模型进行扩张，得到完整稠密的三维模型；

第三步，对第二步扩张得到的三维模型进行表面重建，完成目标重建；

所述第一步中，利用已有的稠密点云模型，构建点云字典库，具体实施如下：

(11)分别对已有的稠密点云模型进行划分，得到若干点云面片；

(12)用划分得到的若干点云面片构造点云字典库，记为L；

所述第二步具体实现如下：

(21)通过找出相邻视图对、在相邻的视图间匹配特征、将相同特征融合、计算稀疏点云模型步骤，从多视图图像序列构造得到目标的稀疏点云模型，记为M_s；

(22)对利用K-近邻的方法选取n个邻域点组成局部稀疏点云，记为Q(p)，从步骤(12)构造得到的L中选取与Q(p)特征最接近的点云面片，通过迭代最近点法，将该点云面片贴合到对应的局部稀疏点云，完成对稀疏点云的扩张，得到完整稠密的三维模型。

2.根据权利要求1所述的基于字典学习的目标重建方法，其特征在于：所述步骤(12)中，需要构造点云面片的特征，作为稀疏点云模型的扩张的依据，点云面片特征构造的步骤如下：

(1)用于计算特征的点云面片为P＝{X₀,X₁,...,X_m-1}，其中X₀,X₁,...,X_m-1分别代表点云面片P中各点，m代表所P包含点的数目，它们的坐标分别记为(x₀,y₀,z₀)^T,(x₁,y₁,z₁)^T，...，(x_m-1,y_m-1,z_m-1)^T，构造方程组如式(1)所示，

其中，a,b,c,d,e,f是待拟合的常数；

(2)利用奇异值分解的方法，求解方程组(1)，得到a,b,c,d,e,f的参数值；

(3)利用步骤(2)中求解得到的参数值，分别计算P中各点处的平均曲率H、高斯曲率K、第一主曲率k₁、第二主曲率k₂，其中，H、K、k₁、k₂的计算公式分别如式(2)～式(5)所示：

(4)计算各点高斯曲率的均值及方差var(K)、平均曲率均值及方差var(H)、第一主曲率均值及方差var(k₁)和第二主曲率的均值与方差var(k₂)，并构造点云面片的8维特征，记为V，如式(6)所示，