申请/专利权人：浙江大学

申请日：2018-08-28

公开（公告）日：2020-06-30

公开（公告）号：CN109147040B

主分类号：G06T17/00(20060101)

分类号：G06T17/00(20060101);G06T5/50(20060101);G06T7/33(20170101)

优先权：

专利状态码：有效-授权

法律状态：2020.06.30#授权;2019.01.29#实质审查的生效;2019.01.04#公开

摘要：本发明公开了一种基于模板的人体点云孔洞修补方法，包括：根据点云中的孔洞区域对人体网格模型模板进行分割，并对模板与点云中的一些关键对应特征点进行标记；提取带有置信度的人体点云扩张边界点集；将分割后的模板与人体点云局部进行刚性配准；将刚性配准后模板变形，使之与人体点云局部相匹配；提取变形后的模板上的顶点构成模板点云，并移除模板点云与原始人体点云重叠的部分；将去重叠模板点云重采样到原始人体点云密度，并平滑融合到原始人体点云孔洞部分。本发明提供的人体点云孔洞修补方法能对人体进行三维建模时遇到的点云孔洞进行修补并保证孔洞修补结果符合人体形状先验知识，具有修补孔洞区域过渡平滑、运算效率高的优点。

主权项：1.一种基于模板的人体点云孔洞修补方法，包括：1根据原始人体点云中的孔洞区域对人体网格模型模板进行分割，并对分割后的人体网格模型的模板与原始人体点云中的关键对应特征点进行标记；2从原始人体点云提取提取带有置信度的原始人体点云扩张边界点集；3将分割后的模板与原始人体点云局部进行刚性配准；4将步骤2得到的刚性配准后的模板变形，使之与原始人体点云局部相匹配；5提取变形后的模板上的顶点构成模板点云，并根据到扩张边界点集距离阈值的方法移除模板点云中与原始人体点云重叠的部分，得到去重叠模板点云；6将步骤5得到的去重叠模板点云重采样到原始人体点云密度，并平滑融合到原始人体点云孔洞部分，得到填补了孔洞的完整点云。

全文数据：基于模板的人体点云孔洞修补方法技术领域本发明涉及计算机图形学中的面向真实物体的三维建模领域，具体涉及一种基于模板的人体点云孔洞修补方法。背景技术利用三维表面数据获取设备对真实世界的物体建模已经被广泛应用于各种领域中，可以省去大量的手工建模操作并捕获更多模型的细节。而使用三维表面数据数据获取设备对人体进行建模具有因其有着巨大的应用价值而备受人们关注。使用三维数据获取设备，如三维扫描仪器，采集到的物体的三维表面数据通常是点云数据，即是由一些离散的三维点组成的集合。通常采用三维表面数据获取设备获取的原始人体点云数据，因受采集设备的视角限制、人体表面起伏产生的遮挡、局部区域反射率差异较大等因素的影响，导致人体表面部分区域无法测量，不完整的测量数据形成孔洞。例如腋下、胯下与脚底等区域是较为常见的典型孔洞区域，这些区域的孔洞具有缺失面积大、形状不规则等特点。这些由不完整数据形成的孔洞不仅影响美观，而且会对网格重建、纹理映射等后续处理的质量造成较大影响。因此，在实际应用前需要使用孔洞修补技术对数据的缺失区域进行合理填补，确保数据的完整性。目前，存在相当数量的各种孔洞修补算法，例如Liepa提出的三角网格孔洞修补算法、Centin等人提出的基于泊松表面重建的孔洞修补算法等。公开号为CN107610061A的中国专利文献公开了一种基于二维投影的保边点云孔洞修补方法，将确定的有序点云孔洞边界点采用保边长度投影法，向点云孔洞边界点的拟合平面上保边长度投影，然后将投影点依次连接，形成以保边长度投影点为顶点的平面多边形投影区域；然后对投影区域进行区域分解和点集化填充，根据点云孔洞边界点使用径向基函数插值映射技术构造点云孔洞曲面，再将填充点反映射到构造的点云孔洞曲面上，完成点云孔洞的修补。然而包括上述算法在内，现存的诸多算法在处理大面积、不规则孔洞时存在相当大的不足。这主要是因为这些算法是通过孔洞区域边界邻域的信息对孔洞区域的填补进行估计，如果需要填补的孔洞区域原有表面起伏较大，孔洞区域边界邻域不足以提供生成较为准确的孔洞填补所需信息。另一方面，基于模板变形的拟合算法，例如Allen等人提出的算法与Stoll等人提出的算法，使用一个完整的模板拟合采集点云，并输出拟合后的模板，达到对大面积孔洞合理填充的效果。然而这些方法使用完整的人体模板拟合整体点云而并非仅仅包含孔洞局部区域，这使得算法的鲁棒性较低，容易陷入局部最优解，导致拟合结果不能处处贴合输入点云，会破坏非孔洞区域的数据准确性；此外，对整体点云进行拟合的计算量较大，使得算法的运算效率较低。发明内容本发明的目的在于提供一种基于模板的人体点云孔洞修补方法，本发明提供的人体点云孔洞修补方法能够对人体进行三维建模时遇到的点云孔洞进行修补并保证孔洞修补结果符合人体形状先验知识，具有修补孔洞区域过渡平滑和运算效率高的优点。本发明采用的技术方案为：一种基于模板的人体点云孔洞修补方法，包括：1根据原始人体点云中的孔洞区域对人体网格模型模板进行分割，并对分割后的人体网格模型模板与原始人体点云中的关键对应特征点进行标记；2从原始人体点云提取带有置信度的原始人体点云扩张边界点集；3将分割后的人体网格模型模板与原始人体点云局部进行刚性配准；4将步骤3得到的刚性配准后的人体网格模型模板变形，使之与原始人体点云局部相匹配；5提取步骤4中变形后的人体网格模型模板上的顶点构成模板点云，并根据到边界点集距离阈值的方法移除模板点云中与原始人体点云重叠的部分，得到去重叠模板点云；6将步骤5得到的去重叠模板点云重采样到原始人体点云密度，并平滑融合到原始人体点云孔洞部分，得到填补了孔洞的完整点云。在步骤2中，提取带有置信度的原始人体点云扩张边界点集的方法为：2-1采用组合判别准则对人体点云的原始点集进行边界点判别：使用最大角度量准则、半圆盘度量准则与形状度量准则分别计算边界点概率，加权求和得到加权概率值，将加权概率值与给定阈值进行比较，大于阈值则认为该点是边界点，得到边界点集2-2对边界点集根据距离阈值进行扩张，并计算各点置信度cp，得到带有置信度的原始人体点云扩张边界点集。在步骤2-1中，所述的加权概率值为：Pp＝w1P1p+w2P2p+w3P3pP1p、P2p和P3p为分别使用最大角度量准则、半圆盘度量准则与形状度量准则计算的边界点概率，w1、w2和w3为各准则对应的权重。在步骤2-1中，最大角度量准则的基本思想是：如果数据点p的邻点集Np在局部切平面上的投影点之间形成了较大的缺口，则认为数据点p为边界点；反之，若Np在p周围均匀分布，则认为p是内点。首先根据数据点p及其邻点Np构造点集曲面在p处的局部切平面；然后将邻点集Np投影到切平面上，得到投影点p′i。接下来计算各个投影点p′i与p点之间的连线形成的夹角集合{αi}，对其进行排序，求出最大夹角β＝maxαi，最后根据下式得到边界点概率值：在步骤2-1中，半圆盘度量准则是通过点集的局部空间结构来判断孔洞边界点的。在二维流形上，取曲面上一点p，如果该点为内点，其邻域同胚于圆盘，则点p与其邻域的均值点μp的偏差应该很小；反之，如果该点为边界点，其邻域同胚于半圆盘，则μp应该会与p的位置有较大偏差。数据点p的邻点Np在局部切平面上的投影可以认为是在二维流形上，将待判定数据点p的邻域均值μp与切平面中的理想半圆盘的质心位置进行比较，并用两者之间的距离来度量p点属于边界点的概率。其中，使用高斯核函数来计算邻域Np的加权平均值μp，其中σ取决于数据点p到其邻点的平均距离rp，通常取由此可计算并对μp计算其在且平面上的投影则可以得到根据半圆盘准则度量p属于边界点的概率值：在步骤2-1中，形状度量准则是利用数据点p的邻点Np构造对应的协方差矩阵Cp，并根据其三个特征值来对边界点进行检测。对于孔洞边界点和内部点，其邻域所构成的协方差矩阵的三个特征值分布是不同的，从而可以据此对边界点进行判别。其基本步骤如下：首先根据数据点p及其邻点Np构造对应协方差矩阵得到其三个特征值λ0≥λ1≥λ2≥0，对特征值进行归一化处理构成决策向量其中α＝λ0+λ1+λ2。则点p的类型对应四种不同的决策向量分布特征，点p的类型为边界点、内点、角点噪声点、直线上的点，对应的决策向量分别为Λ4＝1,0,0。Λ的四种分布特征点正好可以形成一个包含Λ所有可能值的三角形TΛ，可以通过在特征点附近计算空间核函数对数据点属于某种类型的概率进行估计。使用高斯核gσ，其方差为经过归一化，可以得出数据点属于边界点的概率值：在步骤2-2中，扩张并计算各点置信度cp的方法为：预先给出一个距离阈值τd,以及置信度区间[cL,cU]，在到孔洞的距离d≤τd的范围内，越靠近孔洞边界的点，其置信度越低，边界点置信度设为cL；越远离孔洞的点，其置信度越高；距离超过τd的点，其置信度设为最大值cU；定义点集任一点到孔洞的距离为该点到边界点集中所有点的距离的最小值，即则扩张边界点集为：且点集上任一点p的置信度cp满足关于dp的函数关系，cp＝Cdp＝minfdpcU-cL+cL,cU距离到置信度的评估函数fd是取值域为[0,1]单调递增函数，通过求取原始点集的所有点的置信度，可以得到边界点集在上以τd为最大距离的扩张点集且有在步骤4中，计算模板变形的方式为迭代进行对应点查找与最小化以下函数：迭代直到T收敛，即两次迭代计算出的||Tk+1-Tk||＜ε，ε为预先设置好的误差阈值。其中，α、β、γ为预先设置的参数，V＝[v1,…,vn]T为模板上所有顶点坐标构成的矩阵，U＝[u1,…,un]T为V中顶点在点云中查找得到的对应点坐标构成的矩阵，W＝diagw1,…,wn为模板到点云的每一组对应点的权重值，M矩阵表示模板上顶点之间的邻接关系，对于连接顶点对vi,vj的边r，M在r行的非零项为Mri＝-1，Mrj＝1，为Kronecker积，I4为4×4单位矩阵，VL与UL分别为将V中对应标记点的行取出，以及将U中的对应点的行取出，组成的矩阵。变形拟合的原理为：对于模板中的每个顶点vi分别有一个对应的3×4仿射变换矩阵Ti，每一个仿射变换矩阵包含12个自由度。目标是找到一组仿射变换，可以将人体模板曲面中的所有点移动到变形后的曲面上，使得与人体点云定义的参考曲面充分接近。令T＝[T1,…,Tn]T为模板上每个顶点对应的仿射变换矩阵Ti连接成的4n×3矩阵，计算T的方式为迭代查找变形后模板顶点Tivi到点云上的对应点ui，并最小化上述能量函数。在最小化能量函数时，注意到A是列满秩的，其Hessian矩阵是非奇异的，因此这是一个适定问题。通过使ET的导数等于0，可以得到线性方程组，并解得ET在T＝ATA-1ATB取得最小值。在步骤4中，在进行迭代优化时，对权重值wi采取以下策略进行调整：4-1如果ui为原始点云上的边界点，则认为vi对应原始点云上的缺失部分，将对应匹配的权重值wi置为0即认为在原始点云中不存在对应点；4-2如果Tivi与ui的法向量夹角过大大于指定阈值，则认为匹配不可靠，将对应匹配的权重值wi置为0；4-3对于其他匹配，使用步骤2中得到的点云上每点置信度经过归一化后作为权重值，即因为在进行迭代优化时，采用最近点查找计算得出的变形模板上一点Tivi到点云上的对应点ui的匹配结果不一定是可靠的，因此采取策略对其进行调整。通过使用分割的局部模板针对各个孔洞区域分别进行变形拟合，我们可以减小单次求解问题的规模。并且这种方法可以消除远离孔洞区域的模板对输入点云进行拟合时对能量函数的贡献，从而使得局部拟合的收敛速度更快，误差更小。在步骤4中，迭代过程中还包括通过多分辨率方法来加速收敛和在优化过程的不同阶段对能量项使用不同的权重参数。因为上述能量函数ET有较高的局部性，收敛速度较慢，容易陷入局部最小值，对此可以通过多分辨率方法来加速收敛；同时在优化过程的不同阶段，对能量项使用的权重参数也是不同的。所述的通过多分辨率方法来加速收敛的方法为：通过对模板网格模型进行多分辨率自适应参数化，得到不同分辨率的版本，以及这些版本上顶点之间的对应关系；先在低分辨率模板以及原始点云的下采样点云上进行上述优化过程；然后将仿射变换矩阵上采样到高分辨率模板上，作为初始变换，再对高分辨率模板进行优化。所述的在优化过程的不同阶段对能量项使用不同的权重参数的方法为：在迭代刚开始时，使用较小的α与较大的β、γ，随着迭代进行，逐渐提高α，通过最小化最近点匹配误差项让模板与人体原始点云尽可能贴近。在步骤5中，采用根据到步骤2得到的扩张边界点集距离阈值的方法移除变形后的人体网络模型模板上与人体点云重叠的部分。除模板点云与原始人体点云重叠的部分的方法为：对于模板点云上的一点vi，使用最近点查找得到其在原始人体点云上的对应点ui，如果distvi,ui＜τm且则将其剔除；其中τm是指定的一个距离阈值，τd是指定的扩张半径。使用与步骤2相同的边界扩张算法，为原始点云的边界点组成的集合，使用半径τd扩张边界，得到具有一定“厚度”的扩张边界点集合其中τd是指定的扩张半径。所述的距离阈值τm的选择应足够大，使得模板上对应非孔洞区域的部分能很好地被剔除掉，而且因为没有剔除紧靠扩张边界点集的部分，经过剔除的点云与原始点云在孔洞边界处有一定程度的重合。在步骤6中，所述的得到填补了孔洞的完整点云的方法为：6-1将步骤2得到的扩张边界点集合与步骤5得到的去重叠模板点云作为输入，使用MLS平滑算法进行处理，得到融合点云；6-2并将融合点云重采样，使融合点云的平均密度与原始点云一致，得到点云6-3再将点云与去除了扩张边界点集的原始点云合并，得到填补了孔洞的完整点云：在本发明中，原始人体点云又称为原始点云或人体点云。与现有技术相比，本发明的有益效果体现在以下方面：1本发明通过结合扩张加权边界点集和使用模板变形的方法对孔洞区域进行填充，利用模板的先验信息，可以处理复杂形状的孔洞，且在孔洞边界过渡平滑，可以较好地描述真实人体在该区域的形状。2通过对人体模型进行分割，按孔洞区域分块处理，并采用了多分辨率的方法与阶段性参数，加快了变形算法的收敛速度，且减小了变形匹配的误差。附图说明图1为本发明提供的人体点云孔洞修补方法的流程示意图。具体实施方式下面结合附图及实施例对本发明提供的方法进一步说明。如图1所示，本实施例提供的基于模板的人体点云孔洞修补方法的实施步骤如下：步骤1：根据点云中的孔洞区域对人体网格模型模板进行分割，并对模板与人体点云中的一些关键对应特征点进行标记。在本实施例中，对基于被动视觉的人体三维重建系统得到的人体点云中的典型孔洞区域进行了分割，如：头顶、腋下、手部、胯下、脚底等。并且在每个分割区域标记了7-12组对应特征点。步骤2：从原始人体点云中提取带有置信度的人体点云扩张边界点集。2-1采用组合判别准则对人体点云的原始点集进行边界点判别：使用最大角度量准则、半圆盘度量准则与形状度量准则分别计算边界点概率，加权求和得到加权概率值，将加权概率值与给定阈值进行比较，大于阈值则认为该点是边界点，得到边界点集对于人体点云中的每一点，采用计算最大角度量准则、半圆盘度量准则与形状度量准则分别计算该点为边界点的概率P1p、P2p、P3p，加权求和：Pp＝w1P1p+w2P2p+w3P3p并将加权概率值与给定阈值进行比较，大于阈值则认为该点是边界点。此处选取权重为w1＝w2＝w3＝13，阈值为0.9。2-2对边界点集根据距离阈值进行扩张，并计算各点置信度cp，得到带有置信度的人体点云扩张边界点集。计算带有置信度的扩张边界点集时，根据点云的平均点间距选取距离阈值，本实施例中τd＝12，置信度区间设为[0,1]；定义点集任一点到孔洞的距离为该点到边界点集中所有点的距离的最小值，即则扩张边界点集为：且点集上任一点p的置信度cp满足关于dp的函数关系，步骤3：将分割后的人体网格模型模板与原始人体点云局部进行刚性配准。具体为先使用步骤1中标记的对应点计算得到分割后的模板到人体点云局部的粗刚性变换矩阵作为初始值，再使用ICP算法进行迭代优化，得到更精确的刚性配准。步骤4：将步骤3得到的刚性配准后的人体网格模型模板变形，使之与原始人体点云局部相匹配。计算模板变形的方式为迭代查找变形后模板顶点Tivi到点云上的对应点ui，并最小化以下函数：其中，T＝[T1,…,Tn]T为模板上每个顶点对应的仿射变换矩阵Ti连接成的4n×3矩阵，α、β、γ为预先设置的参数，V＝[v1,…,vn]T为模板上所有顶点坐标构成的矩阵，U＝[u1,…,un]T为V中顶点在点云中查找得到的对应点坐标构成的矩阵，W＝diagw1,…,wn为模板到点云的每一组对应点的权重值，M矩阵表示模板上顶点之间的邻接关系，对于连接顶点对vi,vj的边r，M在r行的非零项为Mri＝-1，Mrj＝1，为Kronecker积，I4为4×4单位矩阵，VL与UL分别为将V中对应标记点的行取出，以及将U中的对应点的行取出，组成的矩阵。最近点查找使用kd-tree进行加速，能量函数的最小化通过迭代计算T＝ATA-1ATB进行，直到T收敛，即两次迭代计算出的||Tk+1-Tk||＜ε时迭代终止，此处选取ε＝10-6。在进行迭代优化时，采取以下策略对权重值wi进行调整：1.如果ui为原始点云上的边界点，将对应匹配的权重值wi置为0；2.如果Tivi与ui的法向量夹角大于阈值，将对应匹配的权重值wi置为0，本实施例中该阈值定位90°；3.对于其他匹配，使用步骤2中得到的点云上每点置信度作为权重值，即wi＝ci。为加速收敛，采用多分辨率方法：通过对模板网格模型进行多分辨率自适应参数化，得到不同分辨率的版本，以及这些版本上顶点之间的对应关系。先在低分辨率模板以及原始点云的下采样点云上进行上述优化过程，然后将仿射变换矩阵上采样到高分辨率模板上，作为初始变换，再对高分辨率模板进行优化。在本实施例中，使用两种分辨率的模板：面片数减半的低分辨率模板与全分辨率的原始模板。为加速收敛，在优化过程的不同阶段，对能量项使用不同的权重参数。在本实施例中，使用了8组等步长变化的参数，其中α从0.4到1，β从1到0.2，γ从1到0。步骤5：提取步骤4中变形后的人体网格模型模板上的顶点构成模板点云，并根据到边界点集距离阈值的方法移除模板点云中与原始人体点云重叠的部分，得到去重叠模板点云。模板点云由变形后的模板上所有顶点构成。对于模板点云上的一点vi，使用基于kd-tree的最近点查找得到其在原始点云上的对应点ui。如果distvi,ui＜τm且则将其剔除。其中τm是预设的距离阈值，本实施例中τm＝1.5，为根据步骤2所述的边界扩张算法得到的扩张边界点集。步骤6：将步骤5得到的去重叠模板点云重采样到原始人体点云密度，并平滑融合到原始人体点云孔洞部分，得到填补了孔洞的完整点云。将步骤2得到的扩张边界点集合与步骤5得到的模板点云作为输入，使用MLS平滑算法进行处理，得到融合点云，并将其重采样，使其平均点间距与原始点云一致，得到点云最后，将其与去除了扩张边界点集的原始点云合并，得到填补了孔洞的完整点云：以上所述仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

权利要求：1.一种基于模板的人体点云孔洞修补方法，包括：1根据原始人体点云中的孔洞区域对人体网格模型模板进行分割，并对分割后的人体网格模型的模板与原始人体点云中的关键对应特征点进行标记；2从原始人体点云提取提取带有置信度的原始人体点云扩张边界点集；3将分割后的模板与原始人体点云局部进行刚性配准；4将步骤2得到的刚性配准后的模板变形，使之与原始人体点云局部相匹配；5提取变形后的模板上的顶点构成模板点云，并根据到扩张边界点集距离阈值的方法移除模板点云中与原始人体点云重叠的部分，得到去重叠模板点云；6将步骤5得到的去重叠模板点云重采样到原始人体点云密度，并平滑融合到原始人体点云孔洞部分，得到填补了孔洞的完整点云。2.根据权利要求1所述的基于模板的人体点云孔洞修补方法，其特征在于，在步骤2中，提取带有置信度的原始人体点云扩张边界点集的方法为：2-1使用最大角度量准则、半圆盘度量准则与形状度量准则分别计算边界点概率，加权求和得到加权概率值，将加权概率值与给定阈值进行比较，大于阈值则认为该点是边界点，得到边界点集2-2对边界点集根据距离阈值进行扩张，并计算各点置信度cp，得到带有置信度的原始人体点云扩张边界点集。3.根据权利要求2所述的基于模板的人体点云孔洞修补方法，其特征在于，在步骤2-2中，扩张并计算各点置信度cp的方法为：预先给出一个距离阈值τd,以及置信度区间[cL,cU]，在到孔洞的距离d≤τd的范围内，越靠近孔洞边界的点，其置信度越低，边界点置信度设为cL；越远离孔洞的点，其置信度越高；距离超过τd的点，其置信度设为最大值cU；定义点集任一点到孔洞的距离为该点到边界点集中所有点的距离的最小值，即则扩张边界点集为：且点集上任一点p的置信度cp满足关于dp的函数关系，cp＝Cdp＝minfdpcU-cL+cL,cU距离到置信度的评估函数fd是取值域为[0,1]单调递增函数，4.根据权利要求1所述的基于模板的人体点云孔洞修补方法，其特征在于，在步骤4中，计算模板变形的方式为迭代进行对应点查找与最小化以下函数：其中，T＝[T1,…,Tn]T为模板上每个顶点对应的仿射变换矩阵Ti连接成的4n×3矩阵，α、β、γ为预先设置的参数，V＝[v1,…,vn]T为模板上所有顶点坐标构成的矩阵，U＝[u1,…,un]T为V中顶点在点云中查找得到的对应点坐标构成的矩阵，W＝diagw1,…,wn为模板到点云的每一组对应点的权重值，M矩阵表示模板上顶点之间的邻接关系，对于连接顶点对vi,vj的边r，M在r行的非零项为Mri＝-1，Mrj＝1，为Kronecker积，I4为4×4单位矩阵，VL与UL分别为将V中对应标记点的行取出以及将U中的对应点的行取出组成的矩阵；迭代的终止条件为：T收敛，即两次迭代计算出的||Tk+1-Tk||＜ε，ε为预先设置好的误差阈值。5.根据权利要求4所述的基于模板的人体点云孔洞修补方法，其特征在于，在步骤4中，在进行迭代优化时，对权重值wi采取以下策略进行调整：4-1如果ui为原始点云上的边界点，则认为vi对应原始点云上的缺失部分，将对应匹配的权重值wi置为0；4-2如果Tivi与ui的法向量夹角过大，则认为匹配不可靠，将对应匹配的权重值wi置为0；4-3对于其他匹配，使用步骤2中得到的原始人体点云扩张边界点集上每点置信度经过归一化后作为权重值，即6.根据权利要求4所述的基于模板的人体点云孔洞修补方法，其特征在于，在步骤4中，迭代过程中还包括通过多分辨率方法来加速收敛和在优化过程的不同阶段对能量项使用不同的权重参数。7.根据权利要求6所述的基于模板的人体点云孔洞修补方法，其特征在于，所述的通过多分辨率方法来加速收敛的方法为：通过对模板网格模型进行多分辨率自适应参数化，得到不同分辨率的版本，以及这些版本上顶点之间的对应关系；先在低分辨率模板以及原始人体点云的下采样点云上进行上述优化过程；然后将仿射变换矩阵上采样到高分辨率模板上，作为初始变换，再对高分辨率模板进行优化。8.根据权利要求1所述的基于模板的人体点云孔洞修补方法，其特征在于，在步骤5中，移除模板点云与原始人体点云重叠的部分的方法为：对于模板点云上的一点vi，使用最近点查找得到其在原始人体点云上的对应点ui，如果distvi,ui＜τm且则将其剔除；其中τm是指定的一个距离阈值，τd是指定的扩张半径。9.根据权利要求1所述的基于模板的人体点云孔洞修补方法，其特征在于，在步骤6中，所述的得到填补了孔洞的完整点云的方法为：6-1将步骤2得到的扩张边界点集合与步骤5得到的去重叠模板点云作为输入，使用MLS平滑算法进行处理，得到融合点云；6-2并将融合点云重采样，使融合点云的平均密度与原始点云密度一致，得到点云6-3再将点云与去除了扩张边界点集的原始人体点云合并，得到填补了孔洞的完整点云：

百度查询： 浙江大学 基于模板的人体点云孔洞修补方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD