[发明专利]基于机器学习的移动式多视角成像系统及方法

权利要求书

1.基于机器学习的移动式多视角成像系统，其特征在于，包括：点光源阵列、光学成像模块，所述点光源阵列上每一个灯珠独立可控，光学成像模块在平行于点光源阵列上方的平面内移动；

光学成像模块用于移动到不同的设定位置时，以不同的视角按照设定的离散采样次数N_i，每次点亮单一的不同灯珠，并同步触发光学成像模块采集图像，同时记录下图像采集的位置坐标以及对应点亮的灯珠坐标，直到完成N_i次图像采样，得到对应视角下N_i个照明角度的图像，N_i小于总的灯珠个数；

在得到所有的图像中，以中心视角图像为基准图像，将其余视角图像与基准图像进行匹配，得到其余视角图像中对应的像素点，以所述像素点为基础得到该照明角度下的双向反射率分布函数的采样点数据；

采用梯度提升决策树模型对所述采样点数据进行回归训练，直至回归训练结果收敛，最终得到待测样品的双向反射率分布函数模型。

2.根据权利要求1所述的基于机器学习的移动式多视角成像系统，其特征在于，系统还包括控制台，点光源阵列位于控制台的下方，光学成像模块在控制台上移动。

3.根据权利要求2所述的基于机器学习的移动式多视角成像系统，其特征在于，所述光学成像模块包括图像传感器，图像传感器包括镜头和感光芯片，所述镜头的电源接口设置在控制台上，由控制台提供电源，并接收外部指令将镜头移动至设定位置。

4.根据权利要求3所述的基于机器学习的移动式多视角成像系统，其特征在于，图像传感器通过无线通信的方式进行图像传输。

5.根据权利要求1所述的基于机器学习的移动式多视角成像系统，其特征在于，所述点光源阵列的灯珠表面不放置均光板，每个灯珠均为朗伯辐射体。

6.根据权利要求1所述的基于机器学习的移动式多视角成像系统，其特征在于，得到双向反射率分布函数模型具体包括：基于梯度提升决策树，使用采集、训练、测试同步的方式完成双向反射率分布函数回归模型的测量与计算。

7.根据权利要求1所述的基于机器学习的移动式多视角成像系统，其特征在于，采用梯度提升决策树模型对所述采样点数据进行回归训练具体包括：

输入训练集其中即测量得到的不同入射角度和出射角度对应的反射率，定义损失函数即观测值与预测值的均方根误差；根据训练集与损失函数进行回归训练后输出回归树

8.根据权利要求7所述的基于机器学习的移动式多视角成像系统，其特征在于，回归训练的具体过程包括：

初始化回归树，在初始化计算过程中，当m＝1,2....，M时，对于i＝1,2....，N，计算并对r_m,j拟合一棵回归树，得到第m棵树的叶节点区域R_m,j，其中j＝1,2....，J；对于j＝1,2....，J，计算每个区域R_m,j上的输出值：并更新最终得到回归树：M是回归树节点的个数，m是M的索引，i是采集样本的索引，c表示回归树的参数。

9.基于机器学习的移动式多视角成像方法，其特征在于，包括：

步骤1、光学成像模块在平行于点光源阵列上方的平面内移动，当移动到不同的设定位置时，以不同的视角按照设定的离散采样次数N_i，每次点亮单一的不同灯珠，并同步触发光学成像模块采集图像，同时记录下图像采集的位置坐标以及对应点亮的灯珠坐标，直到完成N_i次图像采样，得到对应视角下N_i个照明角度的图像；

步骤2、在得到所有的图像中，以中心视角图像为基准图像，将其余视角图像与基准图像进行匹配，得到其余视角图像中对应的像素点，以所述像素点为基础得到该照明角度下的双向反射率分布函数的采样点数据；

步骤3、采用梯度提升决策树模型对所述采样点数据进行回归训练，直至回归训练结果收敛，最终得到待测样品的双向反射率分布函数模型。

10.根据权利要求9所述的基于机器学习的移动式多视角成像方法，其特征在于，点亮灯珠时，按照均匀采样的形式设定灯珠的点亮位置和顺序。