采用多角度成像技術(shù)的紡織品三維輪廓重建算法

孟 想， 辛斌杰， 李佳平

(上海工程技術(shù)大學(xué) 服裝學(xué)院， 上海 201620)

傳統(tǒng)的紡織品外觀檢驗(yàn)以主觀評(píng)判(eye-brain evaluation)作為主要檢測(cè)手段，參照AATCC、ASTM、GB等國(guó)際和國(guó)家紡織類標(biāo)準(zhǔn)，依賴檢驗(yàn)人員的知識(shí)和經(jīng)驗(yàn)做出判斷。由于檢驗(yàn)人員的參與，造成測(cè)試結(jié)果具有一定的主觀性，且耗費(fèi)大量時(shí)間重復(fù)做相同的工作，易導(dǎo)致測(cè)試人員疲憊而降低測(cè)試效率和準(zhǔn)確性[1]。

在“中國(guó)智造2025”和“工業(yè)4.0”戰(zhàn)略背景下[2]，現(xiàn)代紡織工業(yè)正逐步走向自動(dòng)化與智能化，計(jì)算機(jī)圖像處理、人工智能等高端科技逐步被應(yīng)用于紡織品質(zhì)量檢測(cè)，實(shí)現(xiàn)紡織品質(zhì)量的自動(dòng)檢測(cè)與評(píng)估，相關(guān)工作已成為當(dāng)前學(xué)術(shù)研究和應(yīng)用開發(fā)的熱點(diǎn)課題。

本文結(jié)合紡織品自身特點(diǎn)，利用多角度成像技術(shù)，開發(fā)完成1套可用于紡織品外觀檢測(cè)的三維輪廓重建系統(tǒng)，通過(guò)成像參數(shù)優(yōu)化、算法優(yōu)化，實(shí)現(xiàn)紡織品三維模型的精細(xì)重建。其研究意義在于應(yīng)用計(jì)算機(jī)視覺(jué)技術(shù)的相關(guān)理論，搭建1套適用于紡織品外觀檢測(cè)的三維輪廓重建系統(tǒng)，嘗試解決紡織品三維輪廓重建的復(fù)雜問(wèn)題，以期為紡織品三維展示、逆向工程、宏觀指標(biāo)測(cè)量等應(yīng)用奠定技術(shù)基礎(chǔ)[3]。

1 三維重建技術(shù)在紡織中的應(yīng)用

計(jì)算機(jī)視覺(jué)(計(jì)算機(jī)圖像分析技術(shù))具有識(shí)別精度高、數(shù)據(jù)處理量大、反應(yīng)速度快、結(jié)果展示直觀等優(yōu)點(diǎn)。計(jì)算機(jī)圖像分析技術(shù)的應(yīng)用使紡織品檢測(cè)朝著客觀化、自動(dòng)化、智能化的方向發(fā)展，在建立測(cè)試評(píng)價(jià)體系的同時(shí)將人們從單調(diào)乏味的人工測(cè)試中解放出來(lái)[4]。

近二十年來(lái)，隨著半導(dǎo)體以及通信技術(shù)的發(fā)展，集成電路的研究、發(fā)展也逐步展開，這些都為計(jì)算機(jī)圖像處理技術(shù)提供了良好的硬件支持，使其在紡織領(lǐng)域的應(yīng)用得到了進(jìn)一步拓展[5]；因此，利用計(jì)算機(jī)圖像分析技術(shù)提高紡織檢測(cè)技術(shù)的智能化、數(shù)字化、網(wǎng)絡(luò)化程度，是紡織測(cè)試技術(shù)發(fā)展的必然趨勢(shì)[6]。

Marr[7]提出機(jī)器視覺(jué)的分層重建理論框架，能夠由二維逐層重建至三維，并且不需要預(yù)先構(gòu)建三維模型，為應(yīng)用計(jì)算機(jī)視覺(jué)來(lái)進(jìn)行三維輪廓的重建技術(shù)打下基礎(chǔ)。在此基礎(chǔ)上，Lowe[8]提出了主動(dòng)視覺(jué)理論框架，逐步完善了非被動(dòng)式機(jī)器視覺(jué)理論。 借助逐步完善的機(jī)器視覺(jué)理論，楊曉波等[9]研制開發(fā)了1種褶皺測(cè)試儀來(lái)測(cè)評(píng)織物起皺，該儀器內(nèi)搭載的軟件根據(jù)織物高度、表面傾斜度和經(jīng)密緯密等幾何參數(shù)來(lái)定義起皺，但其準(zhǔn)確率不理想。隨后又有一批學(xué)者展開了相關(guān)研究，Galuszynski[10]進(jìn)一步開發(fā)了2種裝置，但其很難適用于表面有凸起的織物；因此，楊曉波[9]借鑒Sugeno等[11]基于模糊聚類的結(jié)構(gòu)識(shí)別方法以及Woodham[12]的光度立體視覺(jué)技術(shù)對(duì)織物進(jìn)行識(shí)別。

國(guó)內(nèi)學(xué)者利用計(jì)算機(jī)視覺(jué)技術(shù)也開展了相關(guān)研究工作，為紡織品外觀數(shù)字化檢測(cè)做了很多有益的嘗試，其中較為代表性的研究成果有：

1)沙莎等[13]利用織物物理模型、線圈模型和紗線真實(shí)感3個(gè)方面介紹國(guó)內(nèi)外緯編針織物外觀輪廓的三維模擬技術(shù)研究歷程。分析了國(guó)內(nèi)外學(xué)者多年的研究結(jié)果，以及織物三維模擬技術(shù)從單一外觀輪廓模擬發(fā)展到多物理屬性耦合的動(dòng)態(tài)模擬過(guò)程?？偨Y(jié)了現(xiàn)有織物三維模擬技術(shù)的優(yōu)缺點(diǎn)，最后分析認(rèn)為織物三維模擬技術(shù)會(huì)朝著應(yīng)用范圍多樣化、線圈類型多元化、模擬方法物理化3個(gè)方向發(fā)展。

2)織物三維模型還原不僅限于針織物方面，程杰等[14]利用1套織物三維激光掃描系統(tǒng)，通過(guò)分析織物組織循環(huán)圖、調(diào)整掃描范圍和光照環(huán)境的方法來(lái)提高碳纖維織物表面原始點(diǎn)云的密集程度和質(zhì)量。結(jié)合梯度約束條件和點(diǎn)云約束條件構(gòu)建得到新尺度獨(dú)立的屏蔽約束條件，并將得到的屏蔽約束條件加入到經(jīng)過(guò)分類處理和預(yù)處理后的原始點(diǎn)云中，便可重建出碳纖維織物表面較為理想的三維模型。實(shí)驗(yàn)顯示采用該方法重建得到的模型與真實(shí)紗線寬度的平均測(cè)量誤差為0.12 mm。

3)在得到織物的三維模型后，部分學(xué)者利用模型數(shù)據(jù)嘗試對(duì)紡織品特征進(jìn)行表征，張雪等[15]以三維掃描技術(shù)為基礎(chǔ)，提出一種直觀且方便的織物成型評(píng)價(jià)方法。首先利用頂球使織物起皺，通過(guò)掃描得到織物的三維數(shù)字模型，接著利用相關(guān)軟件對(duì)織物的三維模型進(jìn)行處理運(yùn)算得到相關(guān)指標(biāo)。采用該方法處理10塊試樣后發(fā)現(xiàn)，織物成型性可用織物的體積空隙率表征。此方法引入織物三維模型的概念，為評(píng)價(jià)和表征織物的成型能力開辟了一種新的思路。

2 織物三維輪廓重建系統(tǒng)

2.1 基本硬件配置

本文自行搭建了一種基于多角度成像技術(shù)成像的紡織品三維輪廓重建的數(shù)字化圖像采集平臺(tái)，如圖1所示。平臺(tái)底部設(shè)置可旋轉(zhuǎn)支撐底座，底座上方設(shè)置一面光源，面光源四周有校準(zhǔn)色板，織物樣品由對(duì)稱夾具固定在面光源上，一臺(tái)數(shù)碼相機(jī)位于樣品上方20 cm處，左右兩側(cè)有2條向下成45°傾斜角的帶狀光源。在平臺(tái)四周另設(shè)有2臺(tái)數(shù)碼相機(jī)，距織物20 cm并成45°傾斜向下。電腦主機(jī)控制連接光源、相機(jī)、運(yùn)動(dòng)等模塊，依靠底部支架旋轉(zhuǎn)，獲取織物圖像序列(可獲取2n+1幅圖像，n為底座旋轉(zhuǎn)次數(shù))。

圖1 織物拍攝平臺(tái)Fig.1 Front view (a) and top view(b) of fabric shooting platform

本文所使用的數(shù)碼相機(jī)為尼康D610型單反相機(jī)；面光源為AFT-BL100 W型LED背光源；控制及處理所用電腦主機(jī)中央處理器型號(hào)為Inter Xeon CPU E5-1620，圖像處理器型號(hào)為NVIDIA Quadro 2000。

2.2 三維輪廓重建流程

通過(guò)本文自行研制的三維輪廓重建系統(tǒng)，獲得織物的多角度等距離圖像序列，通過(guò)自行設(shè)計(jì)開發(fā)的三維輪廓重建算法，進(jìn)行織物三維輪廓模型的重建。

織物三維重建步驟包括：1)相機(jī)標(biāo)定[16](包含圖像坐標(biāo)、相機(jī)坐標(biāo))；2)特征點(diǎn)的提取與匹配(自動(dòng)匹配并提取特征點(diǎn)，當(dāng)提取的特征點(diǎn)數(shù)不足時(shí)，可設(shè)置手動(dòng)匹配)；3)生成特征點(diǎn)點(diǎn)云，并在特征點(diǎn)的基礎(chǔ)上進(jìn)行點(diǎn)云匹配形成密集點(diǎn)云；4)根據(jù)密集點(diǎn)云數(shù)據(jù)，進(jìn)行數(shù)據(jù)融合得到三角網(wǎng)格以及三角面。

在三維重建初始輪廓模型基礎(chǔ)上，將二維圖像中所有像素點(diǎn)的RGB值、幾何特征、灰度信息、物體紋理渲染至三維模型表面，最終完成織物的三維輪廓重建[17]，其流程圖為:目標(biāo)織物→環(huán)境光源調(diào)試→單目多角度拍攝→相機(jī)標(biāo)定→特征點(diǎn)的提取與匹配→建立三維模型→織物三維模型。

2.2.1相機(jī)位置標(biāo)定

本文相機(jī)校準(zhǔn)方法和通常的校準(zhǔn)方法有很大區(qū)別，拍攝過(guò)程中相機(jī)位置和織物圖像上興趣點(diǎn)的三維坐標(biāo)都是不確定的[16]。其方法大致分為3步：1)選擇圖像中的n個(gè)點(diǎn)為興趣點(diǎn)(n>7)，相機(jī)由位置1移動(dòng)至位置2的過(guò)程中，利用Deriche等[18]給出的跟蹤方法來(lái)獲得興趣點(diǎn)更好的對(duì)應(yīng)關(guān)系;2)通過(guò)Sturm識(shí)別算法計(jì)算極點(diǎn); 3)根據(jù)Kruppa的相機(jī)位移方程[19]，從兩極點(diǎn)和極線變換獲得絕對(duì)二次曲線圖像的2個(gè)約束，從而完成相機(jī)標(biāo)定并確定相機(jī)空間位置，其結(jié)果如圖2所示。

注：圖中數(shù)字為相機(jī)位置。圖2 相機(jī)位置標(biāo)定Fig.2 Camera position calibration

2.2.2特征點(diǎn)的提取與匹配

本文針對(duì)紡織品采用基于尺度不變特征轉(zhuǎn)換(Scale-invariant feature transform,簡(jiǎn)稱SIFT)算法的特征點(diǎn)提取方法，以精確定位織物關(guān)鍵點(diǎn)。SIFT算法是一種檢測(cè)局部特征的算法，通過(guò)求1幅圖中的特征點(diǎn)(interest points, or corner points)及其有關(guān)的描述子并進(jìn)行圖像特征點(diǎn)匹配。采用這種方法提取的圖像特征具有縮放不變性、旋轉(zhuǎn)不變形，且受光照和視點(diǎn)變化影響較小。其主要思路是首先建立尺度空間，高斯卷積核是實(shí)現(xiàn)尺度變換的唯一線性核，1幅二維圖像的尺度空間定義為：

L(x,y,σ)=G(x,y,σ)×I(x,y)

(1)

(2)

式中：G(x,y，σ)為尺度可變高斯函數(shù)；I(x,y)為原圖像；σ為尺度參數(shù)，將其用于描述圖像細(xì)節(jié)特征時(shí)，細(xì)節(jié)越明顯，其值越小，反之則越大。為有效地在尺度空間檢測(cè)到穩(wěn)定的關(guān)鍵點(diǎn)，提出了高斯差分尺度空間(DOG scale-space)。利用不同尺度的高斯差分核與圖像卷積生成。

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))×

I(x,y)=L(x,y,kσ)-L(x,y,σ)

(3)

構(gòu)建尺度空間后需要檢測(cè)DOG尺度空間的極值點(diǎn)。通過(guò)比較圖像中每個(gè)樣點(diǎn)與其相鄰的所有點(diǎn)，判定是否為極值點(diǎn)：比較中間檢測(cè)點(diǎn)和其相鄰的26個(gè)點(diǎn)(上下相鄰尺度對(duì)應(yīng)的9×2個(gè)點(diǎn)，以及同尺度的8個(gè)相鄰點(diǎn))，以確保該點(diǎn)在二維圖像空間和尺度空間內(nèi)均為極值點(diǎn)。如果該點(diǎn)在上下2層以及尺度空間本層的26個(gè)領(lǐng)域中驗(yàn)證為極值，就認(rèn)定此點(diǎn)為圖像在該尺度下的特征點(diǎn)，檢測(cè)流程如圖3所示。

圖3 DOG尺度空間局部極值檢測(cè)Fig.3 Local extreme value detection in DOG scale space

使用近似Harris Corner檢測(cè)器，去掉DOG局部曲率非常不對(duì)稱的像素，對(duì)關(guān)鍵點(diǎn)的高斯差分函數(shù)D(x,y，σ) 進(jìn)行泰勒展開，得到：

，D→D0

(4)

(5)

，D→D0

(6)

(7)

該矩陣中的每個(gè)值均是通過(guò)臨近采樣點(diǎn)的差值進(jìn)行計(jì)算得到。由于只針對(duì)比率，此時(shí)定義特征值最大值為α，特征值最小值為β，則其關(guān)系為：

Tr(H)Dxx+Dy=α+β

(8)

Det(H)=DxxDyy-(Dxy)2

(9)

(10)

根據(jù)式(10)得出結(jié)論，只需判斷下式能否成立，就可得到閾值γ與主曲率關(guān)系，進(jìn)而準(zhǔn)確定位關(guān)鍵點(diǎn)：

γ∶10

(11)

給特征點(diǎn)賦值一個(gè)方向參數(shù)(128維)，計(jì)算每個(gè)特征點(diǎn)的方向，依照此方向做進(jìn)一步計(jì)算。為確保算子的旋轉(zhuǎn)不變性，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)。

m(x,y)=(L(x+1,y)-L(x-1,y))2+

(12)

(13)

式中：m(x,y)為(x,y)處的梯度幅度大?。沪?x,y)為(x,y)處的梯度方向。至此，已完成對(duì)圖像的關(guān)鍵點(diǎn)的檢測(cè)。3個(gè)信息即確定一個(gè)SIFT特征區(qū)域，并可代表一個(gè)關(guān)鍵點(diǎn)：方向、所處尺度、位置。

利用關(guān)鍵點(diǎn)和關(guān)鍵點(diǎn)周圍對(duì)其有貢獻(xiàn)的像素點(diǎn)建立多個(gè)描述子，可使關(guān)鍵點(diǎn)有更多的不變性，提高目標(biāo)匹配效率。最后對(duì)描述子匹配128維后，即表示2個(gè)特征點(diǎn)完成匹配。

2.2.3三維模型建立

特征點(diǎn)匹配完成后，利用投影矩陣求得空間點(diǎn)位置，得到織物的點(diǎn)云圖，再以特征點(diǎn)為中心設(shè)置一定的窗口進(jìn)行匹配擴(kuò)散，進(jìn)一步找到附近匹配度高的點(diǎn)，最終形成密集點(diǎn)云圖，如圖4所示。

圖4 織物點(diǎn)云圖Fig.4 Point cloud map (a) and dense point cloud(b) of fabric

相距最近的每3個(gè)點(diǎn)構(gòu)成一個(gè)三角面，再利用三角面片到圖像的原像定位法，從采集到的所有圖像中搜索出最佳圖像，該圖像需滿足條件：圖像中與表面模型中三角面片相對(duì)應(yīng)的三角形具備最好的紋理質(zhì)量，即紋理最清晰；模型表面的三角面片到攝像機(jī)的空間位置距離最小，且三角面片的單位法向量與圖像平面的單位法向量乘積為零。此時(shí)對(duì)于這個(gè)三角面片而言，這幅圖像在拍攝時(shí)所含該面片的紋理質(zhì)量最好，可選為紋理貼圖。大致流程如下：1)計(jì)算該三角面片Ti的單位法向量n。計(jì)算第i幅圖像的視點(diǎn)方向Ni；2)計(jì)算三角面片法向量n和第i個(gè)圖像的視點(diǎn)方向Ni的空間夾角Ti；3)比較所有圖像的夾角θi，將最小夾角的下標(biāo)i賦給三角面片Ti。這樣就完成了一個(gè)三角面片與圖像的配準(zhǔn)。對(duì)三角網(wǎng)格模型中的每個(gè)三角面片重復(fù)執(zhí)行上述步驟，就可完成整個(gè)三角網(wǎng)格模型與圖像的配準(zhǔn)，結(jié)果見(jiàn)圖5。

圖5 配準(zhǔn)結(jié)果Fig.5 Registration results. (a)Triangular patches;(b) Texture map

2.3 織物拍攝實(shí)驗(yàn)環(huán)境及方案

2.3.1針對(duì)不同光源的拍攝方案

不同光照條件下拍攝得到的紡織品圖像所攜帶的信息存在差異，本文討論在投射光與透射光下的紡織品三維輪廓重建效果，發(fā)現(xiàn)對(duì)不同類別的紡織品及不同的三維重建要求，可定性選擇某一種光照環(huán)境。

透射法拍攝：將織物固定在平板光源上，調(diào)節(jié)平板光源亮度(帶燈源關(guān)閉)，保證獲得清晰的織物圖像使三維重建的精細(xì)度達(dá)到符合的要求，避免由于匹配點(diǎn)過(guò)少而導(dǎo)致的三維重建失敗。反射法拍攝：平板光源上面鋪設(shè)具有一定高度的塊狀黑色墊片，然后將織物置于黑色墊片上，用針織物參照樣框(如圖6所示)將織物套在墊片表面，凸出織物整體，調(diào)節(jié)拍攝平臺(tái)側(cè)上方的帶光源，保證拍攝時(shí)能獲得織物清晰的圖像。透射法、反射法三維輪廓重建效果圖如圖6所示，重建結(jié)果的數(shù)據(jù)如表1所示。

圖6 三維輪廓重建結(jié)果Fig.6 Three-dimensional contour reconstruction results. (a) Image of transmission method; (b) Image of reflection method; (c) Transmission method reduction diagram; (d) Reflection method reduction diagram; (e) Detail diagram of transmission method; (f) Detail diagram of reflection method

類型拼接點(diǎn)/點(diǎn)密集點(diǎn)云/點(diǎn)三維模型/面透射法50939956191199999反射法279676209461524184

由圖6可知，透射法的優(yōu)點(diǎn)是可以拍攝并三維重建絕大部分織物表面三維信息，線圈排列清晰，整個(gè)重建過(guò)程出錯(cuò)率小。而缺點(diǎn)也能從圖中看出，即在三維重建出的模型表面有許多黑點(diǎn)，多次實(shí)驗(yàn)分析得出，黑點(diǎn)是由紗線毛羽對(duì)光線的漫反射、鏡面反射引起的，這些噪點(diǎn)的出現(xiàn)是投射法所不能避免的，但可通過(guò)潤(rùn)濕、燒毛等方法減少毛羽對(duì)重建模型的影響。

采用反射法拍攝具有更高的重建精細(xì)度，線圈串套明顯，但這種方法不適用于雙層或厚實(shí)的織物，這是由于拍攝時(shí)織物上方帶光源的光線很難穿透具有一定厚度的織物，導(dǎo)致表面紋理無(wú)法捕捉，線圈的串套也將無(wú)法三維重建。所能尋求的解決辦法只有利用針織物的延展性，將織物撐開至能較好透光，且線圈并未因拉伸而橫向變形或滑移，這樣就能將織物線圈結(jié)構(gòu)較好地重建出來(lái)。

2.3.2針對(duì)不同織物的拍攝方案

以針織物所在平面為參照面，鏡頭與織物平面成45°夾角，以90°為區(qū)間環(huán)繞織物拍攝4張成像清晰的圖像，鏡頭與織物間的距離經(jīng)多次校對(duì)，最終定為20 cm，在該距離下，保證成像清晰，并恰好能完整捕捉織物比對(duì)框。

以機(jī)織物所在平面為參照面，其拍攝夾角與區(qū)間同針織物，但由于機(jī)織物的織物密度大，要拍攝清晰的紗線結(jié)構(gòu)，就需要對(duì)織物小范圍進(jìn)行拍攝，因此，織物大小設(shè)定為邊長(zhǎng)5 cm的正方形，對(duì)照框規(guī)格為邊長(zhǎng)5 cm的正方形取景框，四周為邊長(zhǎng)為1 cm的正三角柱，此時(shí)的拍攝距離定為10 cm，可能拍攝出清晰的織物結(jié)構(gòu)，并將參照樣框及其內(nèi)的織物完整捕捉。參照樣框如圖7所示。

2.4 三維模型重建結(jié)果

實(shí)驗(yàn)共拍攝30塊不同織物(編號(hào)為織物1，2，…，30)，部分織物正反面不同，則正反面均拍攝，正反面相同的織物僅拍攝一面；厚度過(guò)高的織物僅在投射光下拍攝；但有些織物(如15號(hào))，雖然厚度過(guò)厚，但其透光性好，通過(guò)面光源照射也可清晰看到其成圈結(jié)構(gòu)及織物表面紋理。本文僅列出部分紡織品三維輪廓重建效果進(jìn)行分析。

圖8示出雙反面針織物(織物15)的重建結(jié)果?？梢?jiàn)：三維輪廓重建效果很好，這是由于其紗線較粗，且雙反面織物的結(jié)構(gòu)圓滑，屬于理想重建對(duì)象，重建后的結(jié)果無(wú)論從密集點(diǎn)云還是三角網(wǎng)格都可清晰地看到織物表面凹凸結(jié)構(gòu)，由于良好的透射光環(huán)境，適當(dāng)?shù)呐臄z距離及對(duì)焦，使得特征匹配獲得的特征點(diǎn)達(dá)到了3 000多個(gè)。

圖8 15號(hào)織物重建結(jié)果Fig.8 Fabric of 15 reconstruction results. (a) Camera position calibration; (b) Dense point cloud generation; (c) Triangular mesh generation; (d) Triangular face generation; (e) Three-dimensional reconstruction effect

圖9示出13號(hào)織物的三維重建情況?？梢?jiàn)：織物起伏清晰，紋理清晰，真實(shí)度及可靠性很高，透射光下很好地將織物的結(jié)構(gòu)輪廓凸顯出來(lái)，織物自身的色彩漸變也使得特征匹配的特征點(diǎn)高達(dá)1 400多個(gè)。

圖9 13號(hào)織物重建結(jié)果Fig.9 Fabric of 13 reconstruction results. (a) Camera position calibration; (b) Dense point cloud generation; (c) Triangular mesh generation; (d) Triangular face generation; (e) Three-dimensional reconstruction effect

3 結(jié) 論

本文針對(duì)紡織品特點(diǎn)優(yōu)化了三維重建的相關(guān)算法，自行搭建了一套適應(yīng)于紡織品的多角度拍攝平臺(tái)，最終形成可應(yīng)用于紡織品的多角度成像方案。由實(shí)驗(yàn)驗(yàn)證可知，本文提出的基于多角度成像技術(shù)的紡織品三維輪廓重建方法可將織物表面灰度信息、紋理信息較為完整的三維重建出來(lái)，總體效果較好，這對(duì)織物結(jié)構(gòu)的數(shù)字化展示、實(shí)物數(shù)字化后的逆向工程、織物多項(xiàng)宏觀指標(biāo)的測(cè)量等應(yīng)用領(lǐng)域具有重要意義，兼具學(xué)術(shù)研究和產(chǎn)業(yè)應(yīng)用價(jià)值；但對(duì)于凹凸不明顯、自身毛羽較多的紡織品三維重建效果不佳；另外受相機(jī)的像素、焦距、景深以及光照環(huán)境等其他因素的影響，重建的精度還無(wú)法達(dá)到紗線級(jí)別。

FZXB

參考文獻(xiàn)：

[1] 辛斌杰, 劉巖, 林蘭天,等. 淺析紡織品外觀檢驗(yàn)數(shù)字化和遠(yuǎn)程質(zhì)量檢驗(yàn)技術(shù)[J]. 紡織學(xué)報(bào), 2011, 32(3):61-66.

XIN Binjie, LIU Yan， LIN Lantian, et al. Three-dimensional modeling and deformation for weft knitted fabric loops [J]. Journal of Textile Research, 2011, 32(3):61-66.

[2] 蔡恩澤. “中國(guó)制造2025”與德國(guó)“工業(yè)4.0”的對(duì)接[J]. 產(chǎn)權(quán)導(dǎo)刊, 2017(1):54-55.

CAI Enze. "Made in China 2025" and "Germany Industrial 4.0" docking [J]. Property Rights Guide, 2017(1):54-55.

[3] ZHAO S, ZHANG Z, WAN X. Three-dimensional profile reconstruction based on infrared multi-view vision[C]// Eighth International Symposium on Advanced Optical Manufacturing and Testing Technology. Beilinghan： International Society for Optics and Photonics, 2016.

[4] 徐超, 李喬. 基于計(jì)算機(jī)視覺(jué)的三維重建技術(shù)綜述[J]. 數(shù)字技術(shù)與應(yīng)用, 2017(1):54-56.

XU Chao, LI Qiao. Summary of 3-D reconstruction technology based on computer vision[J]. China Academic Journal Electronic Publishing House, 2017(1):54-56.

[5] 徐珂. 計(jì)算機(jī)圖像處理技術(shù)的探析[J]. 電腦知識(shí)與技術(shù), 2014(11):2640-2641.

XU Ke. Analysis of computer image processing technology[J]. Computer Knowledge and Technology, 2014(11):2640-2641.

[6] 劉萍. 計(jì)算機(jī)圖像分析在紡織品檢驗(yàn)中的應(yīng)用[J]. 科研, 2016(11):200.

LIU Ping. Application of computer image analysis in textile inspection[J]. Scientific Research, 2016(11):200.

[7] MARR D. Vision: A Computational Investigation into the Human Representation and Processing of Visual Information[M]. New York: Henry Holt and Company Inc, 1982:107-111.

[8] LOWE D G. Distinctive Image Features from Scale-Invariant Keypoints[M]. Kluwer Academic Publishers, 2004:91-110.

[9] 楊曉波, 黃秀寶. 織物表面折皺的小波分析與自組織神經(jīng)網(wǎng)絡(luò)等級(jí)評(píng)定[J]. 中國(guó)圖像圖形學(xué)報(bào), 2005, 10(4):473-478.

YANG Xiaobo, HUANG Xiubao. Wavelet analysis of fabric surface wrinkle and self-organized neural network grade assessment[J]. Journal of Image and Graphics, 2005, 10(4):473-478.

[10] GALUSZYNSKI S. Effect of fabric structure on fabric resistance to needle piercing[J]. Textile Research Journal, 1986, 56(5):339-340.

[11] SUGENO M, YASUKAWA T. A fuzzy-logic-based approach to qualitative modeling[J]. IEEE Transactions on Fuzzy Systems, 1993, 1(1):7-8.

[12] WOODHAM R J. Photometric method for determining surface orientation from multiple images[J]. Optical Engineering, 1992, 19(1):1-22.

[13] 沙莎, 蔣高明. 緯編針織物三維模擬技術(shù)的研究現(xiàn)狀與發(fā)展趨勢(shì)[C]// 第四十六次全國(guó)科技論壇：紡織產(chǎn)業(yè)升級(jí)新技術(shù)融合論壇. 北京：中國(guó)紡織工程學(xué)會(huì)， 2015:118-124.

SHA Sha, JIANG Gaoming. Weft knitted fabric three - dimensional simulation technology research status and development trend [C] // 46th National Science and Technology Forum-Textile Industry Upgrading New Technology Integration Forum. Beijing: China Textile Engineering Society, 2015:118-124.

[14] 程杰, 陳利. 利用激光掃描點(diǎn)云的碳纖維織物表面三維模型重建[J]. 紡織學(xué)報(bào), 2016, 37(4):54-59.

CHENG Jie, CHEN Li. 3-D reconstruction of carbon-fiber fabric surface from laser scanning points cloud[J]. Journal of Textile Research, 2016, 37(4):54-59.

[15] 張雪, 陳韶娟, 孫亞寧,等. 應(yīng)用三維掃描技術(shù)的織物成型性測(cè)試與表征[J]. 紡織學(xué)報(bào), 2014, 35(12):63-68.

ZHANG Xue, CHEN Shaojuan, SUN Ya′ning, et al. Fabric formability test and characterization based on three-dimensional scanning technology[J]. Journal of Textile Research, 2014, 35(12):63-68.

[16] MAYBANK S J, FAUGERAS O D. A theory of self-calibration of a moving camera[J]. International Journal of Computer Vision, 1992, 8(2):123-151.

[17] WARREN P A, MAMASSIAN P. Recovery of surface pose from texture orientation statistics under perspective projection[J]. Biological Cybernetics, 2010, 103(3):199-212.

[18] DERICHE R, FAUGERAS O D. Tracking line seg-ments[J]. Image and Vision Computing, 1990(8):261-270.

[19] HARTLEY R I. Kruppa′s equations derived from the fundamental matrix[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1997, 19(2):133-135.