一、FEMUR SHAPE RECOVERY FROM VOLUMETRIC IMAGES USING 3-D DEFORMABLE MODELS（论文文献综述）
徐铸业[1]（2021）在《基于统计形状模型的医学图像3D建模方法研究》文中进行了进一步梳理随着医学图像数量的急剧增加,对医学图像进行深层次的解释和建模成为了现代医学亟需解决的问题。传统的X射线计算机断层扫描成像技术（Computed Tomography,CT）与核磁共振成像技术（Magnetic Resonance Imaging,MRI）能够拍摄患者病患部位的一系列二维（Two-Dimensional,2D）图像,医生通过观察这些2D图像来判断患者病患部位的特征及位置。然而,仅通过观察2D图像很难对患者病情进行准确地诊断,并且诊断过程主要依赖于医生的个人经验,因此会存在一定的误诊风险。患者病患部位的三维（Three-Dimensional,3D）模型能够更好的可视化数据,并帮助医生通过计算机直接与3D模型进行交互,同时对医学图像数据进行定性和定量的分析,从而有效地降低误诊的风险,为医生制订后续治疗计划提供有力的依据。因此,根据患者病患部位的2D平面图像构建出相应的3D模型成为了医学图像处理的核心问题。针对构建3D模型过程中存在的分割感兴趣区域、模板样本与目标样本之间建立对应关系、3D模型与测试样本拟合、根据缺损样本构建3D预测模型等问题,本文将统计形状模型（Statistical Shape Model,SSM）作为基础,分析了不同方法构建3D模型的特点,并提出了相应的改进方法,从而实现医学图像的3D建模。主要研究内容如下:（1）针对医学图像建模过程中不能准确地将感兴趣区域从目标图像中分割出来的问题,提出了基于统计形状模型的随机森林回归（Random Forest Regression-Statistical Shape Model,RFR-SSM）医学图像分割方法。首先利用随机森林回归对输入的训练样本进行训练,并在每个训练样本的根节点处进行分裂,当所有叶子节点中包含的样本数小于预定义的观测值时分裂停止;然后根据不同的分类特征建立决策树,并对多个决策树的输出进行加权,从而生成预测函数;最后对参考坐标系中不同位置和不同方向的训练样本进行迭代优化,并将优化后的训练样本转换回图像坐标系中,从而完成目标对象中感兴趣区域的分割。（2）针对构建患者病患部位的解剖结构模型过程中不能有效地建立模板样本与目标样本之间的对应关系的问题,提出了基于统计形状模型的自动构建患者病患部位的3D解剖结构模型（3D Anatomical Structure Model of Patients Automatically Constructed Based on Statistical Shape Model,3DASMPACB-SSM）方法。首先对输入数据进行预处理,增强感兴趣区域,并通过RFR-SSM将感兴趣区域从患者的CT扫描图像中分割出来;然后将分割出来的感兴趣区域作为训练样本,并用三角形对训练样本进行网格化,同时引入顶点收缩策略对三角形网格进行迭代收缩,在保证训练样本不失真的前提下有效地减少了训练样本中三角形网格顶点的个数;最后采用B样条自由变形（B-Spline Fre e-Form Deformation,BSFFD）在模板样本和目标样本之间建立对应关系,并通过主成分分析（Principal Component Analysis,PCA）生成解剖结构的平均模型和变形模型。3DASMPACB-SSM能够有效地构建出患者病患部位的3D解剖结构模型,并通过紧凑性、特异性、通用性和表示性四种评价指标对3D解剖结构模型的性能进行评价。（3）针对传统方法构建的患者病患部位的3D解剖结构模型与测试样本拟合效果较差的问题,提出了基于点分布模型的3D模型拟合（3D Model Fitting Based on Point Distribution Model,3DMFB-PDM）方法。首先对训练样本集进行数据处理,通过普氏分析（Procrustes Analysis,PA）使模板样本与目标样本对齐,减小训练样本由于旋转变化和尺度变化产生的不利影响;然后在训练样本间建立对应关系,并根据对应关系将患者病患部位的点分布模型用正态分布进行表示;最后计算点分布模型中的特征点与测试样本中对应点之间的距离,将马氏距离（Mahalanobis Distance,MD）作为附加项引入到目标函数中,并将非线性方程组转换为线性方程组,从而使二者之间的距离最小。与此同时,根据二者之间的最小距离不断调整点分布模型的模型参数,从而使点分布模型与测试样本具有最小拟合误差。3DMFB-PDM能够有效地计算出点分布模型与测试样本的最小拟合误差,并将最大误差（Max Error）、平均误差（Mean Error）以及均方根误差（RMS Error）作为评价指标来衡量拟合程度。（4）针对构建患者病患部位的预测模型过程中存在数据缺损的问题,提出了基于缺损样本构建3D解剖结构预测模型（3D Anatomical Structure Prediction Model Based on Defect Specimens,3DASPMB-DS）方法。首先通过RFR-SSM对输入数据集进行分割处理,并将分割后的感兴趣区域作为训练样本集;其次将训练样本集分为健康样本集和缺损样本集,并手动模拟缺损样本集中的样本在所有情况下可能发生的缺损;然后将健康样本的平均样本作为模板样本,将所有的缺损样本作为目标样本,并通过迭代最近点（Iterative Closest Point,ICP）将模板样本与目标样本对齐;最后在模板样本与目标样本之间建立对应关系,根据对应关系生成患者病患部位的预测模型,并通过相似度量函数对预测模型与测试样本的拟合误差进行评估。3DASPMB-DS能够有效地根据缺损样本构建出患者病患部位的预测模型,并通过紧凑性、特异性和通用性对预测模型的性能进行分析。
孙旭生[2]（2021）在《基于深度学习的驾驶场景感知与车身自动建模》文中认为随着大数据背景下机器学习等人工智能技术的迅猛发展,智能化已成为新时代汽车的重要特征及趋势之一。基于视觉传感器的环境感知及深度学习相关方法在汽车领域得到了广泛而深入的研究和应用。一方面,由于双目视觉同时具有单目视觉的识别能力以及类似激光雷达点云的精确测距能力得到了广泛研究。本文将以深度学习为工具研究基于视觉的路面复杂信息感知,以提升行车的安全性与乘坐舒适性。另一方面,研究以深度学习为工具的基于单目视觉的车身模型建模方法可实现基于图像的复杂曲线曲面自动建模,以期缩短汽车研发周期。本文主要有以下工作:面向路面凹凸及非标障碍物等信息感知问题,提出了基于双目视觉的三分支路面信息语义分割深度网络。该网络引入空间注意力机制及通道注意力机制,可以同时接受图像信息与双目视觉深度信息,通过区分两者差异性并融合有效特征,完成对路面信息的感知与分割。本文采集、整理并构建了真实驾驶场景下的较大规模双目视觉数据集,在此基础上进行了性能验证、算法对比等数值实验,结果表明了本文提出的感知及分割算法的有效性及准确性。面向路面非标小障碍物的实时分割与跟踪问题,提出了基于单目视觉及深度学习网络的语义分割及跟踪方法。本文提出了轻量化的VGG+FPN语义分割网络,以完成对路面小障碍物的实时精确分割,并采用Center Track算法对分割得到的小障碍物进行跟踪处理。本文创建了真实驾驶场景下路面小障碍物数据集。数值对比实验表明,本文方法可实现对路面小障碍物的感知、分割、跟踪一体化,帧率可达50FPS,使对路面小障碍物检测达到了应用级。提出了基于深度回归网络的单视图车身三维曲线自动建模方法。采用三次贝塞尔曲线定义了汽车车身三维曲线特征模板,基于三维网格模型库进行渲染创建了汽车多视图图像及对应的特征线框数据集。对特征线框数据集中的三次参数曲线进行等弧长均匀采样,通过PCA方法将汽车曲线特征模板转为低维的形状系数表示,并作为对应的多视角图像标注信息。采用Res Net101作为回归网络,使用均方误差对形状系数的回归进行监督,实现了端到端的由单视图到车身三维曲线模型的自动重建。数值实验表明,本文方法可较为有效地实现任意单视图输入的汽车车身全自动建模。
闻兴闯[3]（2021）在《面部照片引导的头部解剖结构个性化建模研究》文中研究说明个性化的头部解剖结构数字模型在面部外科手术、头部电磁学和生物力学仿真、人体艺术建模等诸多领域有着重要应用价值。在不方便使用断层扫描影像设备头部影像的情况下,使用面部照片引导个性化头部建模成为一个值得研究的替代解决方案。本研究以课题组开发的可变形中国人群数字解剖图谱为基础,实现三维图谱与二维正面照片的配准,得到对受试者头部及其内部解剖结构的个性化三维建模。本文的主要内容可以分为以下三个部分:（1）基于正面照片的面部区域及特征点检测。本研究对比了三种面部区域检测算法,包括基于哈尔特征和梯度直方图特征的两种传统方法与基于深度学习的方法。通过对比三种方法在准确率和速度上的差异,根据本项目的运行环境需求最终确定了基于方向梯度直方图的方法作为人脸检测算法。在面部区域检测基础上,根据开源数据库的人脸特征点数据,构建研究自定义的11人脸特征点检测算法,得到的人脸特征点误差在4个像素以内,实现了准确、快速的面部特征点自动检测。（2）头部外表面个性化三维建模。根据正面照片中的面部特征点控制头部外表面统计模型的变形,通过迭代算法不断优化头部外表面统计形状模型,实现三维面部特征点的二维投影与照片中特征点的距离最小化,达到三维模型与二维照片的配准。进一步地,将照片中的面部纹理反投影回三维模型表面,得到个性化的面部纹理。实验结果表明,本研究算法不仅可以对受试者实现准确的头部外表面三维形状建模,还实现了面部纹理的真实感贴图,在形状和纹理两方面达到了个性化建模效果。（3）头部完整解剖结构的个性化三维建模。在头部外表面三维模型的基础上,以外表面顶点为控制点引导完整解剖结构的统计形状模型进行变形,通过变形向量插值算法使内部解剖结构与外表面的形态吻合,最终得到内部完整解剖结构（包括脑部、血管、神经、骨骼、肌肉、腺体等）的个性化三维建模。本研究以受试者头部CT扫描影像的专家分割作为金标准评估了皮肤和骨骼的三维建模精度,平均误差在3～4mm之间。本论文的研究为头部完整解剖结构的个性化三维建模提供了一种不依靠断层医学影像的解决方案,对于内部组织建模误差要求大于4mm的医疗和科研应用提供了一种相对简单快速的建模方法。未来的研究将围绕多角度照片建模以及提高内部组织建模精度等方面开展。
陈宇[4]（2021）在《面向图像的非刚体三维重建技术研究与应用》文中指出近年来,对物体三维重建的研究多数是在形状大小不会发生改变的刚性物体上,而非刚体作为现实世界的重要组成部分,早期对其三维重建的方式也是基于刚体重建。这些方式将物体尽量作为一个整体进行建模,易产生模型重建偏差,导致很难还原非刚体的局部特征与生理形态。基于此,本文以研究非刚体的鸟类为例,分析与研究已有数据集,重定义鸟类骨架与关键点信息,设计基于局部刚度能量优化的非刚体三维重建算法。对比已有算法并进行实验,本算法取得了对细节还原更好的三维重建效果。本文的主要研究内容分为以下部分:（1）提出了非刚体局部刚度的形变算法。通过对鸟类的骨架分析,本文重定义了鸟类关键点,重点标注了易产生形变的关键部位。同时基于旋转矩阵与局部刚度的定义,结合壳能量函数优化方法,设计了非刚体局部刚度的形变算法。本算法将各个局部的刚度能量根据产生形变的权值分配来最小化,使得模型局部部位的微小形变更加拟合图像的局部特征的同时,不影响模型其余部位的形变。对比实验表明,关键点正确估计指标（PCK）平均高出对比算法模型2.55%,验证了局部刚度对于非刚体模型局部形变的促进作用。（2）提出了面向图像的非刚体三维重建算法。基于非刚体局部刚度的形变算法,旨在重建出完整的非刚体,本算法融合非刚性形变模块、相机位姿预测模块与纹理预测模块,将优化后的数据集预处理,通过最小化联合损失函数,执行对鸟类平均模型形变,重建出鸟类在关键点标注与局部非刚性形变约束下的三维模型,进而拟合鸟类这一非刚体物种的生理形态特征。本算法在交并比（Io U）指标中优于平均模型,以及在关键点正确估计指标（PCK）高出局部算法3.01%,证明了本算法在面向图像的非刚体三维整体重建中取得了正向效果。（3）设计并实现了面向图像的非刚体三维重建系统。基于本文算法框架,分析了非刚体重建的具体需求及其意义,设计了系统整体下各个模块的功能,实现了基于Django的面向图像的非刚体三维重建Web应用系统。本系统不仅能为用户展示已有的模型重建结果,还提供对自定义上传图像实现三维重建的功能。另外,本系统为用户提供了丰富的交互界面与良好的交互体验。本文着重关注非刚体在局部的形变,使得重建模型在一定指标上达到非刚性形变的效果,因此也设计与实现了面向图像的非刚体三维重建系统形成应用。
宇文婉[5]（2021）在《基于注意力驱动卷积神经网络的椎骨CT图像分割方法研究》文中研究说明医学图像分割是临床疾病诊断和治疗的重要基础,其自动化实现成为科研活跃领域。传统的医学图像分割方法如分水岭、图割等,在一定程度上能够分割出人体组织,但分割性能尚不能满足临床要求,而深度学习技术通过自主特征学习可以实现更准确的分割结果。因此,本文以椎骨图像为研究对象,提出一种基于注意力驱动卷积神经网络的椎骨CT图像的分割方法。首先进行椎骨CT图像预处理的研究,根据椎骨CT图像的特性,通过调窗处理、引导滤波等图像增强和滤波操作增强椎骨信息以优化分割网络输入图像的质量,并进行数据增广以避免网络过拟合。然后,进行椎骨分割算法的研究,基于卷积神经网络U-Net的结构,结合当下深度学习中提出的非对称卷积、金字塔池化与注意力机制等前沿技术对传统U-Net网络进行三个层面的改进:其一使用非对称卷积加强骨架提高卷积的特征提取能力,其二利用金字塔结构提取多尺度特征加强图像全局理解,其三引入通道和空间注意力增强有用特征信息的表示。最后,将该分割方法应用于椎骨CT图像上的分割任务中,并验证以上改进策略的分割性能。通过在公开脊柱数据集上的对比实验表明,本文所提分割方法的评价结果Dice系数和mIoU分别达到了82.79%和90.72%,与基于和非基于U-Net及传统的分割方法相比,本文得到更好的分割结果,实现了椎骨CT图像精确有效地自动分割,从而为脊柱图像分割的自动化发展提供新的解决方法。
庞敏[6]（2020）在《三维模型变形技术研究》文中研究指明三维几何造型是构造个性化数字产品的重要技术,广泛应用于影视动画、工业设计和生物医学等领域。保留原始模型拓扑连接信息不变的条件下进行一定的模型变化,从而生成具有新外观的三维几何模型,称为三维模型变形,是三维几何造型的重要步骤。本文以现有三维模型为数据基础,研究了如何更好地根据用户设计意图改变原始模型的三维模型变形算法。模型变形算法的一个重要研究方向是降低用户操作复杂度,将用户有效交互信息转化为处理模型变形所需参数从而驱动三维模型变形。本文主要研究内容和创新点概括如下:1、研究了二维图像形状特征和三维模型形状特征间的关联关系,提出一种三维模型变形算法。首先分析二维图像和三维模型的形状特征,获取图像和模型的特征线;其次根据图像和模型特征线,利用相似三角形关系,给出图像和模型形状特征间的关联关系并由此定义控制约束条件驱动模型变形;根据图像和变形后模型的形状特征关联关系,提出一种变形结果质量评价方法,并通过实验评估二维图像形状特征引导模型变形算法的性能。实验结果表明本文提出的二维图像形状特征引导三维模型变形算法自动高效,在创建三维模型的同时实现造型过程个性化。2、针对保刚性网格变形算法在变形过程中保持模型局部刚性变换而忽略全局结构的不足,提出一种改进的兼顾局部和全局的保刚性网格变形算法。利用变形过程中模型质心的变化,构建质心差异函数,并将其加入原始能量函数中控制网格变形效果,达到变形过程中既保持顶点单元局部刚性变换,又保证变形模型的整体结构稳定性。实验结果表明本文提出的改进的保刚性网格变形算法在不增加时间复杂度的条件下,达到更好的变形效果。3、研究多个三维模型的形状特征及其关联关系,提出一种基于多模型形状特征间关联关系的三维模型变形算法。首先,研究三维模型配准算法,将多个输入模型配准到同一坐标系下,建立模型间顶点对应关系,提取原模型的特征点集合作为形状特征;其次,基于准共形映射的保角性将三维模型参数化到二维平面;然后根据多个模型间的形状特征关联关系,建立变形的控制约束条件,驱动基于准共形迭代的二维平面变形;最后,研究模型恢复算法,实现模型在保持形状特征的前提下由二维平面到三维空间的转换。在实验过程中,提出一种基于模型形状特征的变形算法定性评价方法。实验证明,相比基于微分的变形算法,对于以面部模型为代表的细节丰富、骨架不明显的三维模型,本算法可以取得较好的变形效果。4、研究三维模型部件形状特征及其关联性,给出一种全局和局部相结合的三维模型变形算法。首先给出基于深度学习框架的三维模型部件分割和分类算法;其次比较分割后部件与模型数据库中同类近似部件的形状特征,研究它们之间的关联性,利用本文提出的基于图像形状特征的三维模型变形算法定义控制约束条件,实现模型部件变形;最后研究样条缝合技术,实现三维模型重构。实验结果证明本算法适用于三维模型重构且具有良好的变形效果和较高的时效性。
谢昊洋[7]（2020）在《高精度三维人体重建及其在虚拟试衣中的应用》文中进行了进一步梳理三维人体和虚拟服装作为两种常见的三维模型,一直是计算机图形学和计算机视觉中重要的研究内容,已广泛应用于影视动画、三维游戏、服装设计、虚拟试衣、电子商务等领域。目前三维人体和服装建模仍主要依赖三维扫描或由具有专业知识的设计师利用建模软件手工设计,成本高、效率低,难以满足在线试衣等实时应用。虽然近年来有基于学习的方法可快速生成人体模型,但多关注于姿态估计,并未强调重建体型在人体测量学上的精度,而准确的三维人体往往是虚拟试衣、尺码推荐、服装设计等与服装相关应用的基础。本文旨在重建出高精度的三维人体模型并探索其在虚拟试衣方面的相关应用。为了量化评估重建出的三维人体模型在人体测量学上的精度,本文首先研究了适用于三维人体网格的分割算法,并在此基础上设计了一套完整准确的自动化三维人体关键点提取及特征尺寸测量方法。其次,本文从不同的角度分别提出了基于传统优化和图卷积神经网络的两种高精度非参数化三维人体重建方法。最后,本文在两种重建方法的基础上进行应用扩展,提出了一种可用于三维服装重定向的深度网络架构。具体来说,本文的主要研究内容和贡献包括:1)非刚性三维网格谱域分割。为了便于准确地提取出三维人体关键点,本文首先提出了在谱域中基于组合描述子的三维人体网格分割方法,设计了一种包含网格显着性的线性拉普拉斯算子,并融合了由显着性拉普拉斯谱计算的全局特征和局部特征以构建组合描述子,最后在谱域中通过谱聚类完成自动分割。在此过程中,本文设计了一种基于面的凹顶点过滤方法,在显着性判定中有效降低了噪声的影响,使得分割边界处于人体关节区域。此外,本文采用了一种自动判定分割数目的方法,且对于形状较为复杂的网格模型,也可交互式地确定多种合理的分割方式,提高了算法的实用性。与其它分割算法的定性和定量比较说明,本文方法对于包括人体在内的非刚性三维网格具有较好的分割效果,且对一定程度的噪声及拓扑变化鲁棒。在此基础上,本文也探索了该分割方法在骨骼提取及蒙皮方面的应用。2)三维人体关键点提取及特征尺寸测量。在人体分割的基础上,提出了一套完整的三维人体关键点自动检测及特征尺寸测量方法,为量化评估重建人体的精度提供了算法基础,且提取的关键点可作为后续重建算法的输入。利用分割后的三维人体,借助K-近邻、回归、骨骼提取、局部环切等多种技术和方法,直接从三维数据中提取关键点,并基于提取的关键点测量相关人体数据。依据本文方法,至少可以自动提取出22个关键点,其数量和质量均可满足服装领域多种测量要求。本文也与相关的人体测量方法进行了量化比较,不仅在多项测量尺寸上取得最优,测量精度亦满足GB/T23698-2009《三维扫描人体测量方法的一般要求》所规定的误差要求。此外,本文根据提取出的关键点进一步优化了三维人体的分割结果,分割边界可准确地位于提取到的关键点处,且边界也更为平滑。3)基于几何优化的结构一致性三维人体重建。本文利用传统的几何优化方法完成了非参数化高精度三维人体重建,所有重建模型不仅具有完全相同的拓扑结构,也具有真实的高频细节,且人体关键点具有相同的顶点索引。该方法在传统网格输入的基础上增加了稀疏关键点对应关系,其本质是利用数值优化方法,借助稀疏对应关系作为“硬约束”,通过设计良好的迭代方式、目标函数及相关参数,将模板人体准确地变形为目标人体。该方法对输入的目标人体不做过多要求,目标人体可以具有边界和孔洞,甚至可以是非二维流形,从而最大限度地保证了算法的适用性。4)基于人体测量图卷积网络的三维人体重建。本文也设计了一种非参数化人体测量图卷积神经网络,不依赖于任何参数化人体模型,只需输入人体掩码图像及少量的人体测量尺寸,即可显式地预测出三维人体顶点坐标。实验证明,通过将人体测量参数显式地融入本文的网络架构并辅以相应的损失函数,极大地提高了重建结果在人体测量学上的精度,也使得重建过程更加可控。通过对人体测量图卷积网络进行扩展,也可用回归某一参数空间的方式完成参数化重建。与其它基于深度学习的人体重建方法相比,本文方法在重建精度上有了大幅提升。此外,该方法也具备从单张图片重建完整三维人体的能力。在此基础上,我们也探索了本文方法在基于人体测量的体型设计方面的应用,可用少量的测量尺寸生成对应的人体模型。5)用于着装的三维服装重定向网络。虚拟试衣是三维人体的重要应用之一,如何高效地将虚拟服装穿在多样化的三维人体上并展示具有真实感的服装效果一直是虚拟试衣的研究热点。在前述两种人体重建方法的基础上,本文首先设计了一种基于几何优化的服装重定向方法,并以此生成了部分训练数据。其次,本文提出了一个用于服装重定向的双分支图卷积网络。该网络以人体掩码、测量尺寸和包含服装褶皱的手绘草图作为输入,采用联合训练的方式直接重建出无穿透的着装人体,且人体与服装均以独立网格模型表示。通过在基于物理仿真的数据上进行学习,该网络可以生成具有真实感的服装细节。相比于传统方法,算法效率极大提升,可满足实时应用场景。与其它相关算法相比,不仅生成的服装具有丰富且真实的褶皱效果,精度亦有较大提升。
邓琉元[8]（2020）在《基于深度学习的道路场景语义分割方法研究》文中指出语义分割是智能车道路场景语义理解的核心技术之一,也是计算机视觉乃至人工智能领域的重要研究课题,其目标是对场景进行全面、精细化的语义识别。早期的语义分割方法往往基于人工设计的特征和浅层机器学习模型,难以适应复杂的环境。近年来,深度学习在众多人工智能领域的应用中下取得了重大突破。基于深度学习的语义分割也成为重要的研究方向之一。本文围绕基于深度学习的语义分割中的两个难点问题:异质异构数据的融合以及高度畸变图像的建模和学习而展开。主要的研究成果如下:（1）RGB图像和深度图像在特征提取过程中存在着相互依赖的关系,如何创建有效的双向融合机制来对其进行建模是目前的挑战之一。针对这一问题,提出基于交互式融合的RGB-D语义分割方法。首先,提出自底向上的交互式融合网络结构。该结构通过引入一个交互流来连接彩色数据流和深度数据流。交互流不仅从彩色数据流和深度数据流聚合特征,还为模态特异的数据流计算互补特征。然后,采用残差融合模块来实例化这个网络结构,在此基础上创建RGB-D语义分割模型RFBNet。最后,在室内数据集Scan Net和室外数据集Cityscapes上进行验证,结果表明RFBNet性能达到了当前先进水平。（2）针对异构图像和点云数据融合的问题,提出基于超点池化的三维场景语义分割方法。为充分利用图像的视觉信息和点云的几何信息,分别用二维语义分割网络从图像中提取二维视觉特征,用三维语义分割网络从点云中提取三维几何特征。为关联异构的图像视觉特征和点云几何特征,提出基于超点池化的联合学习方法:用超点作为中间表示来合并视觉特征和几何特征,再进行联合的特征提取。该方法使用超点来连接异构的特征,避免了体素化方法常出现的内存消耗和量化误差大的问题,并且能够处理大规模的点云场景。实验验证了所提方法可有效地利用视觉和几何信息的互补优势,相比前融合和后融合方法有显着的性能提升。（3）针对环视图像畸变大、建模难的问题,提出基于受限可变形卷积的语义分割网络:通过学习卷积核外围采样点的位置偏移来提高网络对几何形变的建模能力。针对环视图像训练集不足,导致的网络学习上的问题,提出基于多任务学习的训练方法。该方法将类别空间不同的小规模的真实环视图像数据集和大规模的普通图像数据集上的训练建模为多任务学习的过程,以提高模型的泛化性能。为减小两种数据集中图像畸变上的差异,提出变焦增强的方法将普通图像变换为类似的环视图像。为减小两种数据集的域间偏差对训练造成的影响,提出基于自适应批标准化的多任务学习方法。为平衡不同任务间的损失权重,提出混合的损失权重方法,进一步提升模型的泛化性能。实验验证了所提方法能有效的处理高度畸变的环视图像,最终实现了道路场景360度的语义分割。（4）在环视图像语义分割的基础上,提出基于语义分割的车道级定位方法。首先,提出基于像素级语义分割的道路特征（包括道路边界和路面标志）检测方法。该方法能够区分真实的和非真实的道路边界,将动态的目标排除在定位过程中,并且能够同时提取线型和非线型的的路面标志,帮助提升横向和纵向定位的精度。考虑到这两种道路特征的置信度差异比较大,提出粗定位方法和精细定位方法来解决基于环视相机的高精度定位问题。粗定位方法将道路边界和地图匹配得到一个大概的车辆位置,为精细定位提供初始化信息;而精细定位方法将路面标志与地图匹配,得到最终的车辆位置。实验验证了本文方法能够鲁棒的检测不同类型的道路边界和路面标志,并且在城市环境中取得了厘米级的定位精度。
蒋岚[9]（2020）在《基于图像的大熊猫三维重建算法研究》文中研究指明三维重建作为计算机视觉领域的热门研究方向,已广泛应用于自动驾驶、数字考古、医学三维成像等领域。大熊猫作为我国国家一级保护动物,通过大熊猫三维重建,可以真实、完整地反映出大熊猫的空间形态结构,将大熊猫模型以最直观的形式传播与展示;利用大熊猫三维重建可将大熊猫体尺测量方式由传统的接触式改为非接触式体尺测量,这在降低成本、节约资源的同时大大提高了效率;对通过大熊猫三维重建获取的体尺数据进行分析,可以及时了解大熊猫健康状态,为大熊猫的生长、繁育提供更好的保护。由于大熊猫属于非刚性物体,具有易形变的特性,这导致大熊猫三维重建难度很大,加之相关研究数据难以获得,故国内外对大熊猫的三维重建的研究还是一个空白领域。尽管动物的三维重建目前还处于起步阶段,基于Skinned Multi-Animal Linear Model（SMAL）模型的三维重建技术已是国际上完成四足动物三维重建的主流方法,具有三维重建精度高、效果好、重建过程简单等特点。故本文通过对SMAL模型的分析,将SMAL模型运用于大熊猫三维重建研究,取得了较好的大熊猫三维重建效果。本文的主要研究内容分为三部分:（1）大熊猫SMAL模型研究:SMAL模型是以动物骨骼关节建模为基础的参数化动物模型。我们通过分析大熊猫骨骼结构与SMAL模型中的四足动物的不同之处,结合大熊猫骨骼结构特点构建大熊猫SMAL模型。更进一步采用了主成分分析估计大熊猫SMAL模型的形状基,通过骨骼运动表示获取大熊猫SMAL模型中的姿态基,从而实现了大熊猫SMAL模型参数化表达。最后通过形状参数、姿态参数来控制大熊猫三维模型形变的实验,验证了参数化的大熊猫SMAL模型实现大熊猫三维重建的可行性。（2）基于图像的大熊猫三维重建算法研究:设计一种能量优化算法,通过大熊猫二维图像与大熊猫SMAL模型进行拟合,实现大熊猫三维模型的恢复。本文从输入的二维图像中手动提取大熊猫轮廓分割图和关键点;通过构建目标能量函数并对其最小化,使得大熊猫SMAL模型能够尽可能拟合图像,从而估计出大熊猫SMAL模型的形状、姿态等参数,最终实现大熊猫三维重建。（3）基于深度学习的大熊猫三维重建算法研究:提出一种基于注意力机制的残差网络模型用于图像特征提取,整个网络模型直接从二维图像对大熊猫SMAL模型中形状参数和姿态参数等进行估计与预测,进而实现大熊猫三维重建,无需进行图像分割与手动选取关键点。实验结果表明,相较于手动提取图像关键点的非线性优化拟合算法,本算法能在保证大熊猫三维重建精度的情况下,实现自动化提取大熊猫SMAL模型的相关参数。与不使用注意力机制的网络模型进行比较,本算法能有效提高大熊猫三维重建的精确度,同时我们还利用重构的大熊猫三维模型完成了大熊猫模型的体尺测量实验。
罗尧[10]（2020）在《基于单幅图片的三维人脸重建算法研究》文中研究表明基于单幅图片的三维人脸重建在计算机图形和视觉领域是一个极具挑战性的问题,对于人脸识别、人脸转正和人脸动画等应用具有重要意义,最近的研究工作主要集中在由CNN构成的人脸模型回归三维可形变模型系数用于三维人脸重建和对齐任务,但一些重建方法仅考虑一对一的重建过程,而不考虑输入图像中的相关性或差异,导致模型对人脸身份信息缺乏敏感性或对人脸姿态过度敏感,另外,由于三维人脸数据集的匮乏,限制了上述方法性能的提升,使模型对自然场景下的人脸图像缺乏鲁棒性。本文基于上述研究过程中遇到的问题,分别从网络结构和数据的角度两个方面对基于单幅图像的三维人脸重建展开研究,文章的主要贡献如下:1.提出使用孪生卷积神经网络（SCNN）获取鲁棒性的三维可形变模型系数,通过学习一个全局一致性映射函数将输入转化到输出空间,然后施加约束,以使同一个人不同脸部姿态的照片重建出的三维人脸形状保持一致,而不同对象的人脸形状保持差异;同时,利用卷积神经网络在特征学习方面的优势,保留输入对象的特征信息,辅助完成人脸识别任务。该方法在AFLW2000-3D和300W-LP数据集上测试获得了良好的效果。2.针对现阶段基于CNN回归3DMM系数重建三维人脸的方法需要大量2D-3D数据标注的人脸图像问题,提出利用海量的自然场景人脸图像辅助三维人脸重建任务,该方法通过借鉴条件对抗网络的思想,将二维人脸的潜在表示与对应的3DMM系数融合从而绕过了三维人脸数据不足的问题,提高了模型恢复3DMM系数的准确性和对自然场景中人脸图像的鲁棒性,在公开数据集上的测试表明,该方法相较于目前主流的三维人脸重建方法都取得了更好的效果。3.根据重建出来的三维人脸形状拟合得到人脸图像对应的密集三维人脸特征点,即三维人脸对齐,从而解决二维人脸对齐方法不能解决的大姿态、遮挡等问题。本文通过将三维可形变模型（3DMM）拟合到二维人脸图像来执行密集人脸对齐,并结合300W-LP数据集中的大姿态人脸信息进行模型训练,最终在ALFW2000-3D测试集的实验表明,本文的方法在人脸对齐误差特别是人脸姿态在[60°,90°]范围时,取得了高于目前主流的基于三维人脸模型的人脸对齐精度。
二、FEMUR SHAPE RECOVERY FROM VOLUMETRIC IMAGES USING 3-D DEFORMABLE MODELS（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、FEMUR SHAPE RECOVERY FROM VOLUMETRIC IMAGES USING 3-D DEFORMABLE MODELS（论文提纲范文）
（1）基于统计形状模型的医学图像3D建模方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 医学图像分割研究现状 |
| 1.2.2 目标图像的轮廓描述研究现状 |
| 1.2.3 目标图像与模板图像的配准研究现状 |
| 1.2.4 医学图像解释研究现状 |
| 1.3 研究目标及主要研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 第2章 SSM的工作原理及医学图像3D建模过程 |
| 2.1 引言 |
| 2.2 SSM的工作原理 |
| 2.3 基于SSM的3D建模过程 |
| 2.4 SSM的评价指标及实验验证 |
| 2.4.1 紧凑性 |
| 2.4.2 特异性 |
| 2.4.3 通用性 |
| 2.4.4 SSM的实验验证 |
| 2.5 本章小结 |
| 第3章 基于统计形状模型的随机森林回归医学图像分割方法 |
| 3.1 引言 |
| 3.2 随机森林 |
| 3.3 RFR-SSM |
| 3.3.1 RFR-SSM训练阶段 |
| 3.3.2 RFR-SSM匹配阶段 |
| 3.4 仿真验证与分析 |
| 3.4.1 RFR-SSM的实施与参数设置 |
| 3.4.2 由粗到精的多阶段搜索策略 |
| 3.4.3 RFR-SSM的性能评估 |
| 3.5 本章小结 |
| 第4章 基于统计形状模型的构建3D解剖结构方法研究 |
| 4.1 引言 |
| 4.2 网格及网格简化 |
| 4.3 3DASMPACB-SSM |
| 4.3.1 数据处理 |
| 4.3.2 顶点收缩 |
| 4.3.3 建立对应关系 |
| 4.4 仿真验证与分析 |
| 4.4.1 3DASMPACB-SSM通用性验证 |
| 4.4.2 网格简化能力分析 |
| 4.4.3 3DASMPACB-SSM标记点选择 |
| 4.4.4 3DASMPACB-SSM性能评估 |
| 4.5 本章小结 |
| 第5章 基于点分布模型的3D模型拟合方法研究 |
| 5.1 引言 |
| 5.2 相关知识 |
| 5.2.1 相关概念 |
| 5.2.2 点分布模型 |
| 5.3 3DMFB-PDM |
| 5.3.1 问题的形成 |
| 5.3.2 计算最小拟合误差 |
| 5.4 仿真验证与分析 |
| 5.4.1 3DMFB-PDM的通用性验证 |
| 5.4.2 3DMFB-PDM与测试样本的拟合误差评估 |
| 5.4.3 3DMFB-PDM的效率分析 |
| 5.4.4 3DMFB-PDM的性能评估 |
| 5.5 本章小结 |
| 第6章 基于缺损数据构建3D解剖结构预测模型 |
| 6.1 引言 |
| 6.2 迭代最近点 |
| 6.3 3DASPMB-DS |
| 6.3.1 感兴趣区域的分割 |
| 6.3.2 手动模拟数据缺损 |
| 6.3.3 构建预测模型 |
| 6.3.4 预测模型与测试样本拟合 |
| 6.4 实验仿真验证 |
| 6.4.1 3DASPMB-DS通用性验证 |
| 6.4.2 预测模型的误差评估 |
| 6.4.3 预测模型的性能分析 |
| 6.4.4 预测模型的时间对比 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
| 附录B 攻读学位期间申请的发明专利 |
（2）基于深度学习的驾驶场景感知与车身自动建模（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 相关研究进展 |
| 1.2.1 深度学习 |
| 1.2.2 语义分割 |
| 1.2.3 目标跟踪 |
| 1.2.4 基于图像的三维建模 |
| 1.3 主要工作 |
| 1.4 本章小结 |
| 2 路面信息感知与语义分割 |
| 2.1 基于双目视觉的路面感知 |
| 2.2 三分支语义分割网络 |
| 2.2.1 编码器结构设计 |
| 2.2.2 解码器结构设计 |
| 2.3 双目视觉路况数据库 |
| 2.3.1 双目视觉数据库构建、分类与标注 |
| 2.3.2 数据处理 |
| 2.4 对比实验与分析 |
| 2.4.1 实现细节 |
| 2.4.2 评价指标 |
| 2.4.3 路面标识与凹凸检测 |
| 2.4.4 非标小障碍物检测 |
| 2.4.5 对比实验与分析 |
| 2.5 本章小结 |
| 3 路面小障碍物检测与跟踪 |
| 3.1 路面小障碍物检测 |
| 3.2 模型的构造与裁剪 |
| 3.2.1 VGG网络概述 |
| 3.2.2 FPN网络概述 |
| 3.2.3 网络构造 |
| 3.3 开源数据集测试 |
| 3.3.1 Lost and Found数据集概述 |
| 3.3.2 性能测试实验 |
| 3.4 新构造数据集测试 |
| 3.4.1 双目视觉小障碍物场景集 |
| 3.4.2 数据增强 |
| 3.4.3 性能测试实验 |
| 3.5 小障碍物自动跟踪 |
| 3.5.1 Center Track算法概述 |
| 3.5.2 小障碍物自动跟踪实验 |
| 3.6 本章小结 |
| 4 基于单视图的车身自动建模 |
| 4.1 车身三维曲面模型 |
| 4.2 建模算法简介 |
| 4.2.1 建模流程概述 |
| 4.2.2 形状系数 |
| 4.3 车身三维建模数据库 |
| 4.3.1 Shape Net数据库简介 |
| 4.3.2 车身三维模型数据库构造 |
| 4.4 车身三维特征曲线模板建模实验 |
| 4.4.1 实验方法 |
| 4.4.2 实验细节 |
| 4.4.3 建模可视化结果 |
| 4.5 误差分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）面部照片引导的头部解剖结构个性化建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文结构 |
| 2 相关理论及技术 |
| 2.1 人脸检测 |
| 2.1.1 Haar特征和Ho G特征 |
| 2.1.2 支持向量机 |
| 2.1.3 卷积神经网络 |
| 2.2 面部照片中的人脸特征点检测 |
| 2.2.1 人脸数据集 |
| 2.2.2 人脸关键点检测 |
| 2.3 三维面部模型 |
| 2.3.1 三维面部模型的构建 |
| 2.3.2 三维面部模型重建算法 |
| 3 二维照片中的面部区域及特征点检测 |
| 3.1 人脸检测 |
| 3.1.1 不同方法的对比 |
| 3.1.2 结果对比与分析 |
| 3.2 特征点检测 |
| 3.2.1 自定义特征点 |
| 3.2.2 面部特征点检测方法 |
| 3.2.3 结果分析 |
| 4 头部外表面三维建模 |
| 4.1 头部表面统计形状模型 |
| 4.1.1 统计形状模型方法原理 |
| 4.1.2 中国人头部外表面统计形状模型 |
| 4.2 头部表面统计形状模型与面部照片的配准 |
| 4.3 面部照片纹理向三维模型表面的反投影 |
| 4.4 结果分析 |
| 5 头部完整解剖结构的个性化建模 |
| 5.1 头部完整解剖结构统计形状模型 |
| 5.2 头部完整解剖结构统计形状模型的配准 |
| 5.3 进一步精细化的头部模型非线性变形 |
| 5.4 结果分析 |
| 5.4.1 头部解剖结构个性化建模可视化效果 |
| 5.4.2 头部解剖结构个性化建模精度评估 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）面向图像的非刚体三维重建技术研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容与创新 |
| 1.4 论文的章节安排 |
| 第二章 面向图像的非刚体三维重建理论基础 |
| 2.1 物体的三维表示方式 |
| 2.1.1 点云 |
| 2.1.2 体素 |
| 2.1.3 网格 |
| 2.1.4 其他表示方式 |
| 2.2 相机透视投影 |
| 2.2.1 相机成像原理 |
| 2.2.2 坐标系转换 |
| 2.2.3 相机标定参数 |
| 2.3 卷积神经网络基础理论 |
| 2.3.1 卷积神经网络 |
| 2.3.2 残差神经网络 |
| 2.4 本章小结 |
| 第三章 非刚体局部刚度的形变算法研究 |
| 3.1 非刚体刚度分析 |
| 3.1.1 鸟类骨架分析 |
| 3.1.2 局部刚度 |
| 3.2 非刚体局部形变算法 |
| 3.2.1 旋转矩阵 |
| 3.2.2 形变权重 |
| 3.2.3 刚度能量优化算法 |
| 3.3 实验过程及结果分析 |
| 3.3.1 实验环境 |
| 3.3.2 实验流程 |
| 3.3.3 结果与分析 |
| 3.4 本章小结 |
| 第四章 面向图像的非刚体三维重建算法 |
| 4.1 非刚体图像数据集预处理 |
| 4.2 模型重建算法框架设计 |
| 4.3 损失函数设计 |
| 4.3.1 非刚性形变模块 |
| 4.3.2 相机位姿预测模块 |
| 4.3.3 纹理预测模块 |
| 4.3.4 先验模块 |
| 4.4 实验流程与结果分析 |
| 4.4.1 实验环境 |
| 4.4.2 实验流程 |
| 4.4.3 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 非刚体三维重建系统设计与实现 |
| 5.1 需求分析 |
| 5.1.1 系统背景 |
| 5.1.2 功能需求 |
| 5.2 系统设计 |
| 5.2.1 系统架构 |
| 5.2.2 功能模块设计与实现 |
| 5.2.3 数据库设计 |
| 5.3 系统实现与展示 |
| 5.3.1 系统技术实现 |
| 5.3.2 系统界面展示 |
| 5.4 系统测试 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于注意力驱动卷积神经网络的椎骨CT图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景及研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 传统的脊柱分割方法 |
| 1.3.2 基于深度学习的脊柱分割方法 |
| 1.4 论文主要研究内容及章节安排 |
| 第2章 椎骨CT图像预处理 |
| 2.1 引言 |
| 2.2 椎骨CT图像分析 |
| 2.3 图像增强 |
| 2.3.1 调窗处理 |
| 2.3.2 图像增强实验 |
| 2.4 图像滤波 |
| 2.5 数据增广 |
| 2.5.1 仿射变换 |
| 2.5.2 弹性形变 |
| 2.6 本章小结 |
| 第3章 基于注意力驱动U-Net的椎骨图像分割算法 |
| 3.1 引言 |
| 3.2 相关理论 |
| 3.2.1 卷积神经网络 |
| 3.2.2 U-Net分割架构 |
| 3.2.3 非对称卷积 |
| 3.2.4 金字塔池化 |
| 3.2.5 注意力机制 |
| 3.3 改进U-Net分割框架设计 |
| 3.3.1 非对称卷积ACM |
| 3.3.2 金字塔全局上下文模块PGCM |
| 3.3.3 通道与空间注意力CBAM |
| 3.4 本章小结 |
| 第4章 椎骨分割实验与结果分析 |
| 4.1 引言 |
| 4.2 椎骨分割实验流程 |
| 4.2.1 实验流程 |
| 4.2.2 实验运行环境 |
| 4.2.3 分割网络训练设置 |
| 4.3 分割评价标准 |
| 4.4 实验结果与分析 |
| 4.4.1 消融实验 |
| 4.4.2 对比实验 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
（6）三维模型变形技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及意义 |
| 1.3 变形技术的研究现状 |
| 1.3.1 二维图像变形技术 |
| 1.3.2 基于网格曲面的三维变形技术 |
| 1.3.3 基于图像的三维模型变形技术 |
| 1.3.4 其他三维变形技术 |
| 1.4 本文研究思路、内容和结构安排 |
| 1.4.1 研究思路 |
| 1.4.2 研究内容 |
| 1.4.3 本文结构 |
| 第二章 网格变形的理论基础 |
| 2.1 三维几何模型的表示方式 |
| 2.2 基本定义 |
| 2.2.1 网格 |
| 2.2.2 点云 |
| 2.2.3 微分坐标 |
| 2.2.4 均值坐标 |
| 2.2.5 能量函数 |
| 2.3 共形映射 |
| 2.3.1 基本定义 |
| 2.3.2 离散曲面 |
| 2.3.3 黎曼度量 |
| 2.3.4 贝尔特拉米系数方程与系数 |
| 2.4 本章小结 |
| 第三章 基于二维图像形状特征引导的三维模型变形算法研究 |
| 3.1 引言 |
| 3.2 变形算法概要 |
| 3.3 基于二维图像形状特征的三维模型变形算法 |
| 3.3.1 提取图像形状特征 |
| 3.3.2 提取原始三维模型形状特征 |
| 3.3.3 定义模型变形控制约束条件 |
| 3.3.4 改进的保刚性网格变形算法 |
| 3.4 实验结果及讨论 |
| 3.4.1 参数γ的实例研究 |
| 3.4.2 改进保刚性网格变形算法效果评估 |
| 3.4.3 基于二维图像形状特征的三维模型变形算法的有效性 |
| 3.4.4 基于二维图像形状特征的三维模型变形算法的效率 |
| 3.5 本章小结 |
| 第四章 基于多模型形状特征关联的变形算法研究 |
| 4.1 引言 |
| 4.2 变形算法概要 |
| 4.3 基于多模型形状特征关联的变形算法 |
| 4.3.1 模型配准 |
| 4.3.2 准共形映射参数化 |
| 4.3.3 变形控制约束条件的定义 |
| 4.3.4 准共形迭代算法 |
| 4.3.5 模型恢复算法 |
| 4.4 实验结果及讨论 |
| 4.4.1 基于多模型形状特征关联的变形算法的有效性 |
| 4.4.2 基于多模型形状特征关联的变形算法的效率 |
| 4.4.3 消融研究 |
| 4.5 本章小结 |
| 第五章 基于模型部件形状特征的三维模型变形方法研究 |
| 5.1 引言 |
| 5.2 变形方法概要 |
| 5.3 基于模型部件形状特征的三维模型变形方法 |
| 5.3.1 模型数据预处理 |
| 5.3.2 基于八叉树的卷积神经网络分割算法 |
| 5.3.3 深度学习分类算法 |
| 5.3.4 模型部件变形 |
| 5.3.5 样条拼接算法 |
| 5.4 实验结果及讨论 |
| 5.4.1 模型切割结果比较 |
| 5.4.2 模型变形结果比较 |
| 5.4.3 模型变形方法的有效性 |
| 5.4.4 模型变形方法的效率 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（7）高精度三维人体重建及其在虚拟试衣中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 三维网格分割 |
| 1.2.2 三维人体测量 |
| 1.2.3 三维人体重建 |
| 1.2.4 三维虚拟试衣 |
| 1.3 研究内容 |
| 1.4 结构安排 |
| 第2章 谱域中基于组合描述子的非刚性三维网格分割 |
| 2.1 引言 |
| 2.2 融合显着性的拉普拉斯谱嵌入 |
| 2.2.1 拉普拉斯算子及其离散化 |
| 2.2.2 网格显着性介绍 |
| 2.2.3 计算显着性拉普拉斯矩阵谱嵌入 |
| 2.3 基于全局和局部特征的谱嵌入 |
| 2.3.1 表征全局与局部特征 |
| 2.3.2 组合描述子的谱嵌入 |
| 2.4 谱域分割 |
| 2.5 分割结果与分析 |
| 2.6 应用:骨骼提取 |
| 2.7 本章小结 |
| 第3章 自动化三维人体关键点提取及特征尺寸测量 |
| 3.1 引言 |
| 3.2 网格预处理及分割结果回顾 |
| 3.3 关键点提取 |
| 3.3.1 肩点提取 |
| 3.3.2 颈点提取 |
| 3.3.3 腋窝点提取 |
| 3.3.4 肘点提取 |
| 3.3.5 裆底点提取 |
| 3.3.6 臀高点提取 |
| 3.3.7 肚脐点提取 |
| 3.3.8 乳尖点提取 |
| 3.3.9 手腕点提取 |
| 3.3.10 膝点提取 |
| 3.3.11 脚踝点提取 |
| 3.4 人体测量 |
| 3.4.1 长度测量 |
| 3.4.2 围度测量 |
| 3.5 测量结果与分析 |
| 3.5.1 回归分析 |
| 3.5.2 可视化关键点提取及测量 |
| 3.5.3 量化对比分析 |
| 3.5.4 运行效率 |
| 3.5.5 分割优化 |
| 3.6 本章小结 |
| 第4章 基于几何优化的结构一致性三维人体重建 |
| 4.1 引言 |
| 4.2 几何优化重建 |
| 4.3 实施细节 |
| 4.3.1 模板选择 |
| 4.3.2 “硬约束”提取 |
| 4.3.3 目标人体预处理 |
| 4.3.4 迭代方式 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 基于非参数化人体测量图卷积网络的三维人体重建 |
| 5.1 引言 |
| 5.2 非参数化人体测量图卷积设计 |
| 5.2.1 掩码图像特征提取 |
| 5.2.2 人体测量特征提取 |
| 5.2.3 图卷积神经网络设计 |
| 5.3 PCA空间及参数化扩展 |
| 5.4 重建结果与分析 |
| 5.4.1 数据集 |
| 5.4.2 实施及训练细节 |
| 5.4.3 结果及分析 |
| 5.4.4 人体测量体型设计 |
| 5.5 与基于几何优化重建的对比分析 |
| 5.6 本章小结 |
| 第6章 用于着装的三维服装重定向网络 |
| 6.1 引言 |
| 6.2 三维着装数据集创建 |
| 6.2.1 基于几何优化的服装数据生成 |
| 6.2.2 基于物理仿真的三维服装创建 |
| 6.2.3 数据集 |
| 6.3 三维服装重定向网络 |
| 6.3.1 人体分支网络 |
| 6.3.2 服装分支网络 |
| 6.3.3 融合网络 |
| 6.3.4 损失函数 |
| 6.4 服装重定向结果与分析 |
| 6.4.1 训练细节 |
| 6.4.2 评估指标 |
| 6.4.3 结果与分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间的主要研究成果 |
| 致谢 |
（8）基于深度学习的道路场景语义分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传感器 |
| 1.2.2 传统的道路场景语义分割 |
| 1.2.3 基于深度学习的道路场景语义分割 |
| 1.3 面临的问题 |
| 1.3.1 异质异构数据的融合 |
| 1.3.2 高度畸变图像的建模与学习 |
| 1.4 本文研究内容与贡献 |
| 1.5 本文组织结构 |
| 第二章 基础知识 |
| 2.1 引言 |
| 2.2 全卷积网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 上采样 |
| 2.2.4 空洞卷积 |
| 2.2.5 全连接层转换为卷积层 |
| 2.3 图卷积神经网络 |
| 2.3.1 谱图卷积 |
| 2.3.2 空间图卷积 |
| 2.4 多模态融合 |
| 2.4.1 前融合 |
| 2.4.2 后融合 |
| 2.4.3 中间融合 |
| 2.5 多任务学习 |
| 2.5.1 硬参数共享 |
| 2.5.2 软参数共享 |
| 2.5.3 对多任务学习有效性的理解 |
| 2.6 本章小结 |
| 第三章 基于交互式融合的RGB-D语义分割方法 |
| 3.1 引言 |
| 3.2 基本思路 |
| 3.3 方法 |
| 3.3.1 整体架构介绍 |
| 3.3.2 降采样深度数据流 |
| 3.3.3 残差融合模块 |
| 3.3.4 与自顶向下的融合方法相结合 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 实现细节 |
| 3.4.3 RGB-D语义分割性能评估 |
| 3.4.4 消融实验 |
| 3.5 本章小结 |
| 第四章 基于图像和点云融合的三维场景语义分割方法 |
| 4.1 引言 |
| 4.2 网络架构 |
| 4.3 超点和超图的生成 |
| 4.4 特征提取 |
| 4.4.1 点云特征提取 |
| 4.4.2 图像特征提取 |
| 4.5 基于超点池化的联合学习 |
| 4.6 实验结果与分析 |
| 4.6.1 数据集 |
| 4.6.2 实现细节 |
| 4.6.3 三维场景语义分割性能评估 |
| 4.7 本章小结 |
| 第五章 基于受限可变形卷积的环视图像语义分割方法 |
| 5.1 引言 |
| 5.2 受限可变形卷积 |
| 5.2.1 受限可变形卷积的公式 |
| 5.2.2 受限可变形卷积的因式分解形式 |
| 5.3 基于多任务学习的训练方法 |
| 5.3.1 多任务学习框架 |
| 5.3.2 变焦增强方法 |
| 5.3.3 基于自适应批标准化的多任务学习 |
| 5.3.4 混合的损失权重 |
| 5.4 实验结果与分析 |
| 5.4.1 数据集 |
| 5.4.2 受限可变形卷积性能评估 |
| 5.4.3 真实环视图像上的性能评估 |
| 5.5 本章小结 |
| 第六章 基于语义分割的车道级定位方法 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 系统框架 |
| 6.4 基于语义分割的道路边界和路面标志检测 |
| 6.4.1 道路边界检测 |
| 6.4.2 路面标志检测 |
| 6.5 粗定位方法 |
| 6.5.1 基于加权迭代最近点的匹配 |
| 6.5.2 置信度计算 |
| 6.6 精细定位方法 |
| 6.6.1 路面标志地图的创建 |
| 6.6.2 精细位置估计 |
| 6.7 实验结果与分析 |
| 6.7.1 道路边界和路面标志检测结果 |
| 6.7.2 粗定位结果 |
| 6.7.3 精细定位结果 |
| 6.8 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间已发表或录用的论文 |
| 攻读博士学位期间参与的项目 |
| 攻读博士学位期间申请的专利 |
（9）基于图像的大熊猫三维重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 大熊猫三维重建国内外研究历史与现状 |
| 1.2.1 三维重建国内外研究历史与现状 |
| 1.2.2 动物的三维重建国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 论文的结构安排 |
| 第二章 大熊猫三维重建关键技术和理论知识 |
| 2.1 三维物体表示方式 |
| 2.1.1 深度图(Depth Map) |
| 2.1.2 体素(Volume) |
| 2.1.3 点云(Point cloud) |
| 2.1.4 网格(Polygon mesh) |
| 2.2 基于模板方式的三维建模 |
| 2.2.1 蒙皮多人线性模型(SMPL) |
| 2.2.2 蒙皮多动物线性模型(SMAL) |
| 2.3 残差网络 |
| 2.3.1 ResNet介绍 |
| 2.3.2 ResNet50 |
| 2.4 注意力机制 |
| 2.5 本章小结 |
| 第三章 大熊猫SMAL模型分析 |
| 3.1 大熊猫骨架结构分析 |
| 3.2 大熊猫SMAL模型 |
| 3.3 基于主成分分析的大熊猫形状基估计 |
| 3.3.1 大熊猫形状基估计 |
| 3.3.2 实验结果与分析 |
| 3.4 基于骨骼运动表示的大熊猫姿态基估计 |
| 3.4.1 大熊猫姿态基估计 |
| 3.4.2 实验结果与分析 |
| 3.5 总结与分析 |
| 3.6 本章小结 |
| 第四章 基于能量优化的大熊猫SMAL模型算法研究 |
| 4.1 算法框架设计 |
| 4.2 基于能量优化的大熊猫SMAL模型参数估计算法 |
| 4.2.1 图像预处理 |
| 4.2.2 能量优化函数 |
| 4.2.3 能量优化函数求解 |
| 4.3 算法评价与分析 |
| 4.3.1 算法实验结果展示 |
| 4.3.2 总结与分析 |
| 4.4 本章小结 |
| 第五章 基于深度学习的大熊猫SMAL模型算法研究 |
| 5.1 算法框架设计 |
| 5.1.1 算法整体框架 |
| 5.2 网络结构设计 |
| 5.2.1 残差注意力模块 |
| 5.2.2 独立线性层模块 |
| 5.2.3 损失函数 |
| 5.3 数据集构建 |
| 5.4 算法实验结果与分析 |
| 5.4.1 实验结果展示 |
| 5.4.2 实验评价与分析 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（10）基于单幅图片的三维人脸重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 三维人脸重建研究现状 |
| 1.2.1 基于统计模型的三维人脸重建方法 |
| 1.2.2 基于单一模板的重建方法 |
| 1.2.3 基于深度学习的重建方法 |
| 1.3 三维人脸重建研究难点 |
| 1.4 本文主要贡献及创新 |
| 1.5 论文结构安排 |
| 第二章 三维人脸重建相关技术综述 |
| 2.1 三维可形变模型 |
| 2.2 三维密集人脸对齐算法 |
| 2.2.1 算法原理 |
| 2.2.2 网络结构 |
| 2.2.3 代价函数 |
| 2.3 Robust3DMM系数算法 |
| 2.3.1 数据生成 |
| 2.3.2 网络结构 |
| 2.3.3 代价函数 |
| 2.4 PRN算法 |
| 2.4.1 三维人脸表示 |
| 2.4.2 网络结构 |
| 2.4.3 代价函数 |
| 2.5 数据集介绍 |
| 2.5.1 300 W-LP数据集 |
| 2.5.2 FaceWarehouse数据集 |
| 2.5.3 BFM数据集 |
| 2.5.4 AFLW2000-3D数据集 |
| 2.6 最近点迭代算法(ICP) |
| 2.6.1 ICP算法概述 |
| 2.6.2 ICP算法步骤 |
| 2.7 评价指标 |
| 2.8 三维人脸建模算法分析 |
| 2.9 本章小结 |
| 第三章 基于双路径的三维人脸形变参数回归 |
| 3.1 基于3DMM系数回归的三维人脸重建算法框架 |
| 3.1.1 三维人脸形状的鲁棒性探讨 |
| 3.1.2 二维人脸图像的解决方案 |
| 3.1.3 孪生网络结构 |
| 3.2 卷积神经网络 |
| 3.2.1 CNN的优点 |
| 3.2.2 CNN的基本概念 |
| 3.3 孪生卷积神经网络(SCNN) |
| 3.3.1 重建三维人脸形状算法分析 |
| 3.3.2 网络结构 |
| 3.3.3 三维可形变模型(3DMM) |
| 3.4 代价函数 |
| 3.4.1 权重化参数距离代价函数(WPDC) |
| 3.4.2 对比损失函数 |
| 3.5 训练策略 |
| 3.6 测试结果与分析 |
| 3.6.1 箱形图 |
| 3.6.2 三维人脸形状评价 |
| 3.6.3 约束场景下的人脸识别 |
| 3.7 本章小结 |
| 第四章 基于弱监督学习的三维人脸重建 |
| 4.1 基于CNN方法的三维人脸重建与密集人脸对齐 |
| 4.1.1 三维人脸数据集现状 |
| 4.1.2 基于CNN方法回归3DMM系数的难点 |
| 4.1.3 人脸对齐 |
| 4.2 对抗网络 |
| 4.2.1 生成对抗网络(GANs) |
| 4.2.2 条件生成对抗网络(CGAN) |
| 4.3 二维图像辅助三维人脸重建 |
| 4.3.1 三维人脸重建 |
| 4.3.2 模型框架 |
| 4.3.3 非对称欧几里得损失函数 |
| 4.3.4 3DMM系数条件对抗损失函数 |
| 4.4 测试结果与分析 |
| 4.4.1 实验数据集 |
| 4.4.2 密集人脸对齐 |
| 4.4.3 三维人脸重建准确性评价 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、FEMUR SHAPE RECOVERY FROM VOLUMETRIC IMAGES USING 3-D DEFORMABLE MODELS（论文参考文献）
- [1]基于统计形状模型的医学图像3D建模方法研究[D]. 徐铸业. 兰州理工大学, 2021(01)
- [2]基于深度学习的驾驶场景感知与车身自动建模[D]. 孙旭生. 大连理工大学, 2021(01)
- [3]面部照片引导的头部解剖结构个性化建模研究[D]. 闻兴闯. 大连理工大学, 2021(01)
- [4]面向图像的非刚体三维重建技术研究与应用[D]. 陈宇. 电子科技大学, 2021(01)
- [5]基于注意力驱动卷积神经网络的椎骨CT图像分割方法研究[D]. 宇文婉. 哈尔滨理工大学, 2021
- [6]三维模型变形技术研究[D]. 庞敏. 中北大学, 2020
- [7]高精度三维人体重建及其在虚拟试衣中的应用[D]. 谢昊洋. 东华大学, 2020(01)
- [8]基于深度学习的道路场景语义分割方法研究[D]. 邓琉元. 上海交通大学, 2020(01)
- [9]基于图像的大熊猫三维重建算法研究[D]. 蒋岚. 电子科技大学, 2020(07)
- [10]基于单幅图片的三维人脸重建算法研究[D]. 罗尧. 电子科技大学, 2020(07)