基于深度掃描儀的高辨識度三維人體模型重建方法

韓 凱， 龐宗強， 王 龍， 岳 東

(南京郵電大學(xué)先進技術(shù)研究院，江蘇 南京 210046)

基于深度掃描儀的高辨識度三維人體模型重建方法

韓 凱， 龐宗強， 王 龍， 岳 東

(南京郵電大學(xué)先進技術(shù)研究院，江蘇 南京 210046)

3D照相打印館人像的打印質(zhì)量取決于3D掃描獲得的三維人體模型的辨識度。然而，由于現(xiàn)有3D人體掃描儀價格昂貴、操作復(fù)雜等原因，使得3D人像打印成本高、耗時長和打印精度較低。針對這些缺點提出一種基于深度掃描儀重建高辨識度三維人體模型方法。利用多組深度掃描儀分工協(xié)作、優(yōu)勢互補，分別獲取高辨識度的人體面部五官點云數(shù)據(jù)，上半身與全身表面輪廓點云數(shù)據(jù)。然后，通過引入特征點和改進的最近點迭代法將采集到的三組點云數(shù)據(jù)進行對齊、替換、拼接，將拼接后的無拓?fù)潢P(guān)系的點云數(shù)據(jù)進行曲面重構(gòu)即可獲得高辨識度的三維人體模型。該方法的掃描時間較短，以較低的成本構(gòu)建了具有高辨識度的三維人像模型。

三維人體重建；高辨識度三維人體模型；Kinect；最近點迭代；特征點

3D照相打印館人像的打印質(zhì)量取決于3D掃描獲得的三維人體模型的辨識度。當(dāng)今獲取三維人體模型主要有以下3種方式：

(1) 利用三維制圖軟件如3Dsmax、Maya等創(chuàng)建三維人體模型。其缺點是花費時間較長、技術(shù)難度較高，得到的模型與現(xiàn)實中的人物有一定差距。

(2) 利用采集人體不同方位的序列圖像重建三維人體模型[1]。此種人體模型重建方法，雖然利用了先進的多視圖方法能夠得到不錯的建模結(jié)果，但其缺點是計算量大，處理時間長，重建結(jié)果易受光照條件影響，而且會存在物體表面紋理稀疏、自遮擋等現(xiàn)象[2]。

(3) 利用專業(yè)非接觸式三維掃描儀直接對人體進行全方位掃描獲得三維人體模型的方法[3]。此種方法重建模型速度快且建模精度高，但是掃描儀體積龐大而且價格昂貴，普通用戶難以接受。例如Cyberware人體掃描系統(tǒng)市場報價為24萬元。

近些年出現(xiàn)了PrimeSensor和Microsoft Kinect深度掃描儀，是一種利用光編碼技術(shù)(light coding)獲取物體表面點云數(shù)據(jù)的深度掃描儀。其工作原理是利用掃描儀發(fā)射的激光穿透毛玻璃形成隨機衍射斑點(laser speckle)，這些具有高度隨機性的衍散斑會隨著距離的不同呈現(xiàn)出不同的圖案，從而形成一個具有三維縱深的“體編碼”。根據(jù)物體表面不同的散斑圖案，可以推斷出物體表面的幾何位置。

深度掃描儀重建三維人體模型的優(yōu)勢在于其能夠?qū)崟r輸出點云信息，使得重建不完全依賴于圖像。

與專業(yè)非接觸式三維掃描儀相比，深度掃描儀使用的是連續(xù)而非脈沖的主動照明，因此不需要特制的感光芯片，利用普通的COMS感光芯片即可實現(xiàn)，在一定程度上降低了深度掃描儀的制造成本。不僅如此，深度掃描儀在使用時無需設(shè)置額外參數(shù)，通過簡單操作即可掃描物體表面獲得點云數(shù)據(jù)。

隨著深度掃描技術(shù)的發(fā)展，近些年來有不少基于深度掃描儀的三維人體重建方法陸續(xù)被提出。如Tong等[4]結(jié)合了圖像序列的特征點對應(yīng)關(guān)系以及三維點云實現(xiàn)了點云的非剛性注冊，利用 3臺Kinect深度掃描儀掃描獲得的三維點云數(shù)據(jù)進行三維人體模型重建。此方法獲得的模型雖然有著比較完整的全身輪廓，但是在面部五官和頭發(fā)等需要具有較高辨識度的細(xì)節(jié)方面表現(xiàn)較差。周瑾等[5]提出了利用人體模型庫來重建三維人體模型的方法。首先，使用4臺Kinect深度掃描儀從不同視角同步掃描人體，將得到的點云數(shù)據(jù)進行去噪處理，然后將去噪后的點云數(shù)據(jù)作為可變模型擬合算法輸入，使用人體動態(tài)形態(tài)模型(shape completion and animation of people，SCAPE)和最近點迭代(iterated closest point，ICP)查找方法將一個標(biāo)準(zhǔn)模型逐步迭代變形成人體點云數(shù)據(jù)實現(xiàn)三維人體建模[6-7]。這種建模方法受到人體參數(shù)化模型子空間的限制，在數(shù)據(jù)采集過程中要求用戶的姿勢與標(biāo)準(zhǔn)模型相似，不能進行個性化三維人體模型采集。

深度掃描儀在重建三維人體模型時還存在不足，當(dāng)重建高辨識度的三維人體模型時還需關(guān)注以下問題：

(1) 利用深度掃描儀建立全身人體模型時，由于采集精度丟失嚴(yán)重、噪聲大，易導(dǎo)致人體模型面部表情模糊、辨識度低。

(2) 在掃描過程中，人體很難保持長時間的靜止，其采集應(yīng)在較短時間內(nèi)完成。

(3) 發(fā)型是人體的重要組成部分，由于其幾何反射性比較復(fù)雜，很難一次完成采集。

(4) 在模型采集過程中，不應(yīng)該對采集對象的姿態(tài)進行人工干預(yù)。一個好的模型，其重建方法應(yīng)該可以適應(yīng)各種不同的姿態(tài)，滿足多樣性需求。

(5) 重建模型中，人臉的細(xì)微差異很容易被發(fā)覺。

基于對現(xiàn)有方法不足之處的認(rèn)識與重建三維模型中重要問題的考慮，本文提出了基于深度掃描儀的高辨識度三維人體模型重建方法，包括三維人體點云的采集與處理兩個部分。在三維人體點云數(shù)據(jù)的采集中，利用3組不同類型深度掃描儀的各自優(yōu)點，分工協(xié)作，分別進行人體全身輪廓、半身輪廓、精細(xì)面部五官點云數(shù)據(jù)的采集。然后利用多幀求和平均與雙邊濾波器的方法將采集到的人體三維點云數(shù)據(jù)進行去噪、去除異常點處理[8]。隨后將去噪后的點云數(shù)據(jù)通過引入特征點和改進的最近點迭代的方法，將3組點云數(shù)據(jù)進行對齊、替換、拼接得到一個高辨識度的三維人體模型點云數(shù)據(jù)[9-10]。最后利用泊松曲面重建算法將沒有拓?fù)潢P(guān)系的點云數(shù)據(jù)重構(gòu)[11-12]為不規(guī)則的三角網(wǎng)即可獲得高辨識度的三維人體模型[13-15]。該重建方法在充分利用深度掃描優(yōu)點的同時，還解決了其所存在的大范圍掃描與高辨識度模型獲取相矛盾的問題，而且對用戶姿勢也沒有限制，可以快速重建出一個高辨識度的三維人體模型。由于人體模型的主要細(xì)節(jié)都在面部(如面部輪廓、眼鼻口等五官等)，

而身體部分主要是衣物等，細(xì)節(jié)要求不高，所以提高人像辨識度的操作主要都集中在上半身部分。

1 三維人體點云數(shù)據(jù)采集

1.1 系統(tǒng)設(shè)計與三維人體點云數(shù)據(jù)采集流程

為了能夠快速高質(zhì)量地采集到三維人體點云數(shù)據(jù)，本文設(shè)計了基于深度掃描儀的快速三維人體點云數(shù)據(jù)采集系統(tǒng)如圖1。

圖1 基于深度掃描儀的三維人體點云數(shù)據(jù)采集系統(tǒng)

本文選用了Microsoft Kinect及PrimeSensor兩款深度掃描儀。通過大量實驗發(fā)現(xiàn)，Microsoft Kinect深度掃描儀掃描范圍廣，當(dāng)掃描范圍設(shè)置為2.0 m×2.0 m×2.0 m時可采集一個成年人的全身輪廓點云，但采集的數(shù)據(jù)精度不高?？紤]到這個情況，本系統(tǒng)只用 Microsoft Kinect深度掃描儀作為全身掃描。PrimeSensor深度掃描儀掃描精度高，可清晰表現(xiàn)出被測對象的面部五官特征與頭發(fā)細(xì)節(jié)。為了提高采集數(shù)據(jù)的精度，本文分別選擇掃描范圍為0.4 m×0.4 m×0.4 m與0.3 m×0.3 m×0.3 m的PrimeSensor深度掃描儀用于半身與面部五官掃描。三維人體點云數(shù)據(jù)采集步驟如下：

步驟 1. 被測對象站立于轉(zhuǎn)盤之上保持不動，將3個安裝有不同深度掃描儀的支架分別放置于被測對象的四周，位置隨意，不相互干擾即可。

步驟 2. 調(diào)整全身掃描儀支架距離轉(zhuǎn)盤的位置，調(diào)整平臺的高度與角度，直到從計算機屏幕上可看到人體全身輪廓點云數(shù)據(jù)為止。對于半身掃描儀與面部五官掃描儀重復(fù)以上操作。半身掃描儀的目標(biāo)是采集半身輪廓點云數(shù)據(jù)，面部五官掃描儀的目標(biāo)是采集到精細(xì)面部五官點云數(shù)據(jù)。

步驟 3. 用遙控器打開轉(zhuǎn)盤的旋轉(zhuǎn)按鈕，被測對象隨著轉(zhuǎn)盤做勻速旋轉(zhuǎn)。轉(zhuǎn)盤旋轉(zhuǎn)一周需20 s，各掃描儀完成相應(yīng)部位的三維點云數(shù)據(jù)采集，采集階段到此結(jié)束。

1.2 3組點云數(shù)據(jù)對比

3組掃描儀各有特點，將采集到的3組數(shù)據(jù)進行對比可以直觀地感受到其區(qū)別。圖2(a)為全身掃描儀采集的全身輪廓點云。其特點是對人體的輪廓信息表現(xiàn)良好，但對頭部細(xì)節(jié)信息不能很好地表現(xiàn)出來。圖2(b)為半身掃描儀采集的半身輪廓點云。其特點是對人體的頭部輪廓、頭發(fā)信息表現(xiàn)良好，但是五官細(xì)節(jié)表現(xiàn)不好。圖2(c)為面部五官掃描儀采集的精細(xì)面部五官點云。其特點是對于面部五官的精細(xì)度表現(xiàn)良好，但是采集范圍狹小。

圖2 掃描儀掃描得到的點云數(shù)據(jù)

2 三維人體模型重建

2.1 點云的預(yù)處理

深度掃描儀采集到的點云數(shù)據(jù)通常會存在噪聲等缺陷，一般要進行去噪預(yù)處理[16]。首先，需將所有幀的點云數(shù)據(jù)求和平均以去除大的噪聲。然后，再用雙邊濾波器去除微小的噪聲，去噪前、后的效果如圖3所示。

2.2 點云的拼接

不同掃描儀得到的點云(簡稱多視點云)處于不

同測量坐標(biāo)系中。為進行多組掃描點云之間的拼接，這些多視點云需要變換到統(tǒng)一的全局坐標(biāo)系下。利用文獻[9-10]提出的三維點云配準(zhǔn)方法進行多視點云的對齊、替換、拼接。

圖3 去噪前、后點云模型對比圖

2.2.1 特征點的粗略配準(zhǔn)

式(1)采用奇異值矩陣分解算法[17]，可計算出初始坐標(biāo)變換參數(shù)R0和T0。用特征點的粗略配準(zhǔn)所得到的初始坐標(biāo)轉(zhuǎn)換關(guān)系R0和T0對數(shù)據(jù)點云轉(zhuǎn)換以后，可以得到配準(zhǔn)的初步結(jié)果。

2.2.2 點云數(shù)據(jù)的精確配準(zhǔn)

在點云數(shù)據(jù)的精準(zhǔn)配準(zhǔn)過程中，可利用上述粗略配準(zhǔn)的兩組點云新的位置作為初始位置，并利用其統(tǒng)計的匹配點對集合作初始的匹配點對集合。在其后的迭代匹配過程中，采用改進后的最近點迭代法進行點云配準(zhǔn)，在利用ICP算法作為匹配點的選取策略的同時還需加入一個迭代終止條件，避免兩組模型中不屬于正確匹配區(qū)域范圍內(nèi)的點進入到匹配點對集合。

利用改進后的最近點迭代算法進行點云數(shù)據(jù)的配準(zhǔn)，其難點主要是在于最近點搜索和點云數(shù)據(jù)之間距離的求解。最近點可以采用 K-D樹算法[18]來搜索，K-D樹是一種分割K維數(shù)據(jù)空間的數(shù)據(jù)結(jié)構(gòu)，K-D樹是每個節(jié)點都為K維點的二叉樹。所有非葉子節(jié)點可視作一個超平面把空間分割成兩部分，在超平面左邊的點代表節(jié)點的左子樹，右邊的點代表節(jié)點的右子樹。使用K-D樹作為三維空間劃分模型時，搜索兩組點云數(shù)據(jù)之間的最近點對可大幅度地提高檢索效率。由于ICP算法在每次迭代時都需要去查找當(dāng)前的點在另一個集合中的最近點，為了加速搜索，故采用K-D樹算法進行搜索。

本文設(shè)迭代終止條件為S，采用改進后的最近點迭代算法步驟如下：

(1) 采用奇異值矩陣分解，計算初始坐標(biāo)變換參數(shù)R0和T0，利用其對兩組點云數(shù)據(jù)A0和B0中的一組進行變換，假設(shè)變換A0，可得到A1及變換后的點云數(shù)據(jù)A1和B0之間的距離S1。

(2) 在點云數(shù)據(jù) A1和 B0的重疊區(qū)域，采用K-D樹算法找出兩組點云數(shù)據(jù)中的最近點對，即得到n組匹配點對。

(3) 對于上述的n組匹配點對，運用四元數(shù)算法[19]計算三維坐標(biāo)變換參數(shù)R1和T1。

(4) 運用上述得到的三維坐標(biāo)變換參數(shù) R1和T1，對A1進行變換，得到A2，此時計算出點云數(shù)據(jù)B0和A2之間的距離S2。

(5) S2若滿足迭代終止條件S，則停止。否則回到步驟(2)循環(huán)執(zhí)行，直到Si小于迭代終止條件S為止。

2.2.3 點云數(shù)據(jù)之間的距離

求取點云數(shù)據(jù)之間距離的方法：首先，求出兩組點云數(shù)據(jù)的重疊部分，對于B0在重疊部分的點bi，利用K-D樹算法求出點bi在另一組點云Ai的最近點。然后，求出點bi與其對應(yīng)的最近點之間的距離Si，以Si作為bi到另一組點云Ai的距離。最后，根據(jù)式(2)計算兩組點云之間的距離：

式中，D為兩組點云之間的距離，N為重疊部分點云數(shù)據(jù)B0中點的個數(shù)，Si作為bi到另一組點云Ai的距離。

2.3 3組點云的具體拼接過程

利用預(yù)處理后的3組點云數(shù)據(jù)進行數(shù)據(jù)拼接。本文所選取的3個特征點分別為左、右眼角和鼻尖。如圖4～5中所示，首先用精細(xì)面部五官點云與半身輪廓點云進行對齊拼接，用精度高的面部五官替代半身輪廓點云中表現(xiàn)欠佳的五官細(xì)節(jié)，得到一個高辨識度的上半身模型點云。再利用全身輪廓點云與高辨識度上半身模型點云進行融合拼接，用高辨識度的上半身模型點云替代全身輪廓點云中精度不夠的上半身模型，得到一個高辨識度三維人體模型點云。

圖4 高辨識度上半身模型點云合成過程

圖5 高辨識度三維人體模型點云合成過程

2.4 曲面重構(gòu)

經(jīng)過拼接后的點云依然是空間中的散亂點云，其間沒有拓?fù)潢P(guān)系，為了便于計算機圖形學(xué)、計算機動畫、3D打印等后續(xù)應(yīng)用的處理，本文利用泊松曲面重建算法進行模型表面重構(gòu)。泊松曲面重建算法一次性考慮所有輸入的點云數(shù)據(jù)，無需對輸入數(shù)據(jù)分塊網(wǎng)格重建后再合成，對噪聲有較強的魯棒性。另外泊松方法有層次的局部支撐基函數(shù)，其求解可以簡化為一個良態(tài)稀疏線性系統(tǒng)，因而得到了廣泛的應(yīng)用。本文利用Meshlab平臺提供的Poisson Reconstruction功能進行三維人體模型的曲面重建，得到的結(jié)果完整，沒有明顯缺陷。曲面重構(gòu)的結(jié)果如圖6所示。

3 實驗及結(jié)果分析

本文使用VS2010下的C++語言實現(xiàn)該系統(tǒng)，Kinect與PrimeSensor數(shù)據(jù)采集是在Kinect SDK1.8版本下的Kinect fusion基礎(chǔ)上完成優(yōu)化。三維人體模型重建的流程圖如圖7所示。

本文原始數(shù)據(jù)采集過程中，使用兩臺PrimeSensor深度掃描儀分別采集測量對象的精細(xì)面部五官、頭發(fā)細(xì)節(jié)與上半身輪廓點云，之所以單獨采集上述特征細(xì)節(jié)是為了提高重建出的三維人體模型的辨識度。由于人體模型的主要細(xì)節(jié)都在面部(如面部輪廓及五官等)，身體部分主要是衣物等，對細(xì)節(jié)的要求不高，所以提高人像辨識度的操作主要都集中在上半身部分。對于3組深度掃描儀采集到的點云數(shù)據(jù)的處理思路是：利用特征點和改進的最近點迭代算法將原始模型中低精度的部位替換成單獨采集的高辨識度部位，增加重建后三維人體模型的精度。對于拼接后的三維人體點云數(shù)據(jù)進行曲面重構(gòu)，即可獲得高辨識度的三維人體模型。如圖8所示，將采集的原始模型與最終得到的模型進行對比，可以非常直觀地感受到利用本文方法處理過的模型在辨識度上有大幅提升，大大提高了三維人體模型的辨識度。

圖9展示的是二維照片與三維模型之間的對比圖，用來表明本文方法能夠很好地還原采集對象的外貌。

圖6 重構(gòu)后的高辨識度三維人體模型

圖7 三維人體模型重建流程圖

圖8 原始模型圖與最終模型圖的對比

圖9 二維照片與三維模型對比圖

圖10 多組三維人體模型

利用Tong等[4]提出的利用三臺Kinect的非剛體三維人體掃描重建，重建出的模型不能清晰地顯示面部五官、頭發(fā)細(xì)節(jié)等人體特征，辨識度不高。相比之下，本文單獨利用 2組高辨識度的PrimeSensor掃描儀采集面部五官等人體細(xì)節(jié)特征，使重建出的三維人體模型具有更高的辨識度。

周瑾等[5]提出的利用數(shù)據(jù)庫重建人體模型的方法是通過擬合SCAPE模型重建出三維人體模型，此方法受人體參數(shù)化模型子空間的限制，在數(shù)據(jù)采集過程中要求用戶的姿勢與標(biāo)準(zhǔn)模型相似，不能生成個性化人體模型細(xì)節(jié)，比如姿勢、人臉、發(fā)型、服飾等。本文方法不受模型庫的限制，對于用戶的姿勢沒有固定要求，重建出的人體模型在姿態(tài)種類上比文獻[9]多。

圖10中給出了更多的三維人體模型，可以看出本文方法在三維人體模型的辨識度和姿態(tài)的多樣性上有著不錯的表現(xiàn)。圖10(a)為一名女性的三維人體模型，頭發(fā)細(xì)節(jié)表現(xiàn)良好。圖10(b)為一名身高1.9 m的男性三維人體模型，面部的精細(xì)度與辨識度好。圖10(c)為一名特殊姿勢的男性三維人體模型，可以看出本文方法突破了人體參數(shù)化模型子空間的限制，可以采集到多樣化的三維人體模型。

4 結(jié) 論

與傳統(tǒng)的三維人體模型重建方法相比，本文方法所需的硬件設(shè)備成本低、數(shù)據(jù)采集簡單；另一方面克服了廉價深度掃描儀數(shù)據(jù)采集精度低、數(shù)據(jù)采集范圍小等缺點，使得重建出的三維人體模型辨識度好，能夠滿足3D照相打印館等領(lǐng)域的要求，又因為系統(tǒng)硬件成本低，容易被推廣使用。

[1] de Aguiar E, Stoll C, Theobalt C, et al. Performance capture from sparse multi-view video [J]. ACM Transactions on Graphics, 2008, 27(3): 1-10.

[2] Kim Y M, Theobalt C, Diebel J, et al. Multi-view image and ToF sensor fusion for dense 3d reconstruction [C]// Proceedings of International Conference on Computer Vision Workshops (ICCV Workshops). Kyoto: IEEE Computer Society Press, 2009: 1542-1549.

[3] Allen B, Curless B, Popovié Z. The space of human body shapes：reconstruction and parameterization from range scans [J]. ACM Transactions on Graphics, 2003, 22(3): 587-594.

[4] Tong Jing, Zhou Jin, Liu Ligang, et al. Scanning 3D full human bodies using Kinects [J]. IEEE Transactions on Visualization and Computer Graphics, 2012, 18(4): 643-650.

[5] 周 瑾, 潘建江, 童 晶, 等. 使用Kinect快速重建三維人體[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2013, 25(6): 873-879.

[6] Anguelov D, Srinivasan P, Koller D, et al. SCAPE: shape completion and animation of people [J]. ACM Transactions on Graphics, 2005, 24(3): 408-416.

[7] Besl P J, McKay H D. A method for registration of 3-D shapes [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.

[8] Tomasi C, Manduchi R. Bilateral filtering for gray and color images [C]//IEEE Computer Society Press. Proceedings of the 6th International Conference on Computer Vision. Los Alamitos, 1998: 836-846.

[9] 羅先波, 鐘約先, 李仁舉. 三維掃描系統(tǒng)中的數(shù)據(jù)配準(zhǔn)技術(shù)[J]. 清華大學(xué)學(xué)報: 自然科學(xué)版, 2004, 44(8): 1104-1106.

[10] 吳祿慎, 孔維敬. 基于特征點的改進ICP三維點云配準(zhǔn)技術(shù)[J]. 南昌大學(xué)學(xué)報: 工科版, 2008, 30(3): 294-297.

[11] 周 漾. 館藏文物紋理重建與組織關(guān)鍵技術(shù)研究[D].武漢: 武漢大學(xué), 2013.

[12] 吳雪梅, 文 珈, 于廣濱, 等. 基于三坐標(biāo)測量數(shù)據(jù)的點云曲面重構(gòu)[J]. 圖學(xué)學(xué)報, 2011, 32(5): 68-72.

[13] 張 煒, 金 濤. 三角網(wǎng)格特征邊識別的一種有效方法[J]. 圖學(xué)學(xué)報, 2014, 35(5): 709-714.

[14] 張 偉. 逼近散亂點云數(shù)據(jù)的三角形網(wǎng)格精確剖分[J].圖學(xué)學(xué)報, 2014, 35(2): 188-194.

[15] 童 晶. 基于深度相機的三維物體與人體掃描重建[D].杭州: 浙江大學(xué), 2012.

[16] 陳曉明, 蔣樂天, 應(yīng)忍冬. 基于Kinect深度信息的實時三維重建和濾波算法研究[J]. 計算機應(yīng)用研究, 2013, 30(4): 1216-1218.

[17] Arun K S, Huang T S, Blostein S D. Least-squares fitting of two 3-D point sets [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1987, 9(5): 698-700.

[18] Bentley J L. Multidimensional binary search trees used for associative searching [J]. Communications of the ACM, 1975, 18(9): 509-517.

[19] Horn B K P, Hllden H M, Negahdaripour S. Closed-form solution of absolute orientationusing unit quarternions [J]. Journal of the Optical Society of America A: Optics, Image Science and Vision, 1987, A(4): 629-642.

High Identification 3D Human Body Model Reconstruction Method Based on the Depth Scanner

Han Kai, Pang Zongqiang, Wang Long, Yue Dong
(Institute of Advanced Technology, Nanjing University of Posts and Telecommunications, Nanjing Jiangsu 210046, China)

The printing quality of 3D portrait in 3D printing photographic house, depend on the 3D scan of the three dimensional human body model identification. However, the traditional 3D body scanner is expensive, complicated manipulation and other reasons, 3D portraits of high printing costs, time-consuming and less accurate printing. In view of these shortcomings a method is proposed based on the deep scanner reconstruct the high degree of recognition three-dimensional human body model. The method combines with the advantages of three groups of different types of the depth scanner, collaboration, respectively to obtain high precision characters facial features and hair detail point cloud data, upper body and the body surface contour point cloud data. Then, the captured three sets of point cloud data will be aligned, replaced, registered by introducing feature points and iterated closest point. The registered of non-topological relations of point cloud data for surface reconstruction can get high precision of 3D human body model. The method of scanning time is shorter, at a relatively low cost to build the 3D portrait with high identification model.

3D human body model reconstruction; high identification degree of 3D human body model; Kinect; iterated closest point; feature points

TP 391

A

2095-302X(2015)04-0503-08

2014-10-15；定稿日期：2014-12-10

韓 凱(1991–)，男，安徽和縣人，碩士研究生。主要研究方向為3D打印自動化裝備、計算機圖形學(xué)。E-mail：hankai5960106@163.com

龐宗強(1982–)，男，山東臨沂人，講師，博士。主要研究方向為極端條件下的精密儀器研究。E-mail：zqpang@njupt.edu.cn