买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明公开了一种基于迁移学习的光栅相位相移三维重建方法及系统，通过端到端的方法，投射一定数量的相移光栅条纹建立投影仪像素和相机像素点的对应关系，能够获得高质量物体表面的三维模型。通过神经网络进行相位解包裹工作，接受两种频率相位条纹作为输入，在能够重建具有多个孤立区域的物体表面三维模型的同时，减少了所需采集图像的数量，增强了对于三维重建系统的鲁棒性；提出了一种生成数据增强的模拟数据集方法，用于训练网络模型；同时使用迁移学习策略训练神经网络，能够有效应对真实数据难以获取和稀少的情况。实验表明，所提出的方法能够重建出准确完整的模型。

主权项：1.基于迁移学习的结构光栅相位相移三维重建方法，其特征在于，包括以下步骤：步骤S1：构建用于预测解包裹相位的神经网络，包括由嵌入通道注意力模块的残差模块组成的编码器，由级联的精炼模块组成的解码器，以及将编码器和解码器提取的多尺度特征进行融合预测绝对相位的特征融合模块，所述神经网络的输入为包裹相位；其中，精炼模块采用链式多头注意力交互机制，并使用可学习的交互参数调制器动态调节注意力权重；链式多头注意力交互机制对输入的特征进行多分支利用，使用全局池化和全连接层获得各个通道特征权重，利用参数调制器学习得到的特征向量调节并融合各分支的通道特征权重，根据权重动态调整各阶段的特征图；步骤S2：使用随机矩阵扩大填充方法生成包裹相位，再添加随机高斯噪声和随机数量图形掩码后生成模拟数据集；步骤S3：采集结构光图像数据，并获取该结构光图像数据的高频绝对相位、对应的高频包裹相位以及单位频率相位，将以上相位数据作为真实数据集；步骤S4：神经网络训练，先使用模拟数据集训练神经网络，最小化L1正则化损失和残差均方根损失，获得网络参数，然后进行迁移学习，冻结编码器网络参数，使用真实数据集继续训练，对解码器网络参数进行调整，获得训练好的神经网络；步骤S5：采集结构光图像；步骤S6：获取包裹相位，并利用所述神经网络获取解包裹相位；步骤S7：使用步骤S6获取的解包裹相位，进行投影仪的标定，获取投影仪参数；最后使用立体标定方法获得系统参数；步骤S8：建立投影仪、相机、物体的三角化模型，使用所述解包裹相位以及步骤S7中的系统参数，计算得到物体表面三维信息。

全文数据：

权利要求：

百度查询： 武汉大学 基于迁移学习的结构光栅相位相移三维重建方法及系统