درون یابی نماها برای مدل کردن سه بعدی چهره

درونیابی نماها و بازسازی سه بعدی با استفاده از اطلاعات نحوه ی تناظر تصاویر استریو میسر می شود برای این کار ابتدا باید دوربین ها کالیبره شوند. با استفاده از اطلاعات کالیبراسیون دو نقطه معادل از دو تصویر می توانند به یک نقطه مشخص در فضای سه بعدی نگاشته شوند. بنابراین مهمترین بخش این پروژه تعیین تطابق استریو است. در این پایان نامه برای کم کردن مشکل تطابق نقاط بدون بافت، کاهش پیچیدگی محاسباتی و افزایش مقاومت در برابر نویز از نوعی خاص از قطعه بندی (فرا- قطعه بندی) استفاده شده است سپس با استفاده از برنامه نویسی پویا تابع هزینه ی تطابق را کمینه می کنیم. برنامه نویسی پویا، نسبت به روش های بهینه سازی کلی، یک رویه ی بهینه سازی سریع است ضرایب همواری بین فرا - قطعه ها در تابع هدف، به صورت تطبیقی و بر اساس میزان شباهت فرا - قطعه ها به هم تعیین می شوند. به این ترتیب فرا- قطعه های همسایه ای که شباهت زیادی به هم دارند از طریق ضرایب همواری بزرگ، بر روی یکدیگر اثر زیادی خواهند داشت. استفاده از فرا-قطعه ها حجم محاسبات را کاهش می دهد. مقاومت در برابر نویز را افزایش می دهد و با در نظر گرفتن ضرایب همواری بزرگ بین فرا - قطعه های مشابه، ابهام موجود در نواحی بدون بافت را کاهش می دهد. همینطور برای کاهش بیشتر محاسبات به جای بررسی تمام دیسپریتی های مجاز در برنامه نویسی پویا، تنها برخی از آنها - که دیسپریتی های کاندید خوانده می شوند. را بررسی می کنیم با داشتن نقشه ی دیسپریتی که خروجی مرحله ی تطابق استریو است و با استفاده از داده های کالیبراسیون می توان هندسه ی سه بعدی چهره را بازسازی کرد. همینطور با معلوم بودن نقاط معادل از دو تصویر، می توان با جابه جا کردن فراقطعه ها به اندازه کسری از دیسپریتی، نماهای میانی را به دست آورد. الگوریتم ارایه شده بر روی دادگان استریوی استاندارد middlebury و بر روی پایگاه داده چهره که خودمان آن را تهیه کردیم آزموده شد. نتایج نشان می دهد که الگوریتم ارایه شده نسبت به الگوریتم های تطابق استریوی kim و zitnick از جهت دقت در جایگاه قابل قبولی قرار دارد. و از جهت سرعت نیز نسبت به آن ها بهتر است همینطور نماهای میانی بازسازی شده با این روش به تصویر واقعی بسیار شبیه بوندن این نماهای مصنوعی با تصاویر واقعی گرفته شده مقایسه شدند که با دقتی برابر 6/97./. با آن ها مطابق بودند