基于多尺度注意力机制相位展开的三维人脸建模

相位展开作为三维(3D)测量技术中的关键环节,其解析精度直接影响3D建模的精度。由于存在欠采样和相位不连续等问题,故传统空间相位展开难以得到正确的相位信息,而时间相位展开又需要额外的信息辅助。针对复杂场景中的3D人脸建模,提出了基于多尺度注意力机制的相位展开网络。在所提网络中,利用编码器-解码器结构融合多尺度特征,并在解码网络中嵌入注意力子网络以获取上下文信息。构建一个包含5000组样本的FACE数据集和一个包含100组样本的MASK数据集,每组样本均包含截断相位和连续相位的真值,这些真值可用于相位展开的训练及测试。所提网络在FACE数据集和MASK数据集上的均方根误差分别为0.0387 rad和0.0273 rad,结构相似性分别为0.9850和0.9793。在欠采样、相位不连续等区域中,所提网络可快速准确地提取相位特征,进而保证了相位展开的正确性。最后,通过对比实验证实了所提网络的有效性和可行性。     

利用遗传算法优化误差扩散核参数的条纹二值编码方法研究

二值条纹投影图像在高速、高精度的三维面形测量领域应用广泛,而提高二值编码条纹的正弦性对于提高三维面形的测量精度具有积极意义.传统及改进的误差扩散核多采用普适的扩散核对条纹图像进行二值编码,较少考虑图像特征与投影离焦程度对相位提取精度的影响.首先利用遗传算法的思想来寻求更佳的误差扩散核系数,然后通过线性拟合来构建与离焦程度以及正弦条纹周期相关的优化目标函数,最后得到优化二值编码条纹正弦性的误差扩散核.仿真和实验分析结果表明,在不同尺寸的窗口下,不同周期有最小相位误差的误差扩散核且它们各不相同,证实扩散核对图像的二值编码质量与图像特征有关.实验进一步证明,大中小三种离焦程度下,所提算法的相位误差较普适的Floyd-Steinberg扩散法可分别减小43.86％、64.37％和50.10％,所提算法的相位误差较改进的Floyd-Steinberg扩散法可分别减小13.51％、18.48％和17.65％.