光度立体三维（3D）重建是机器视觉和光度学领域中研究的热点问题，由于设备简单、成本低廉、分辨率高，得到广泛的应用。近年来，伴随着人工智能与深度学习技术的蓬勃发展，光度立体技术的发展进入一个崭新的时代。对深度学习技术在光度立体3D重建中的研究进展进行综述。首先，介绍光度学3D重建的研究背景和基本原理；其次，对光度立体3D重建方法的类型进行概述；接着，简要介绍常用的合成与实际拍摄数据集；然后，详细阐述深度学习技术在光度立体3D重建中的应用，它将基于物理模型的光度立体技术变为一种“数据驱动”下的技术，从而实现较高的预测精度；最后，进行分析与总结，并指出深度学习技术在光度立体领域所面临的挑战以及未来的研究趋势。

针对光度立体视觉中基于镜面反射的光源位置标定法操作复杂及误差较大等问题，提出了一种基于立体视觉的LED光源位置参数标定方法。利用双目立体视觉系统依次拍摄光度立体中的LED光源，利用基于立体视觉成像矩阵的最小二乘法计算光源的空间三维坐标，通过光度立体与双目立体视觉系统中摄像机的旋转平移关系，联立得到光源位置标定系统结构参数，进而获得光度立体中LED光源相对于摄像机的空间位置关系。实验结果表明：所提方法可以有效地解决镜面反射标定法操作繁琐的问题，与基于镜面反射的方法相比，所提方法通过操作方便的立体视觉系统即可获得精度更高的LED光源位置标定参数，得到的光源对角线距离的平均绝对误差（MAE）和均方根误差（RMSE）与镜面反射方法相比有较大程度的减小。

针对现有的透视投影下混合表面3D重建从明暗恢复形状(SFS)算法中辐照度方程求解耗时较长、误差较大的问题,提出了一种基于牛顿-拉弗森法的混合表面3D重建快速SFS算法。首先,采用Blinn-Phong模型表征物体表面的混合反射特性,结合摄像机的针孔透视投影模型,建立了与物体表面3D形貌信息相对应的图像偏微分辐照度方程;其次,将辐照度方程转换为关于物体表面高度梯度函数的方程,使用牛顿-拉弗森法迭代求解该方程的解;接着,将此解转换为哈密顿-雅可比偏微分辐照度方程,利用勒让德变换获得偏微分方程对应的哈密顿函数;最后,运用最优控制原理和迭代fast marching策略构建哈密顿函数的逼近方案并得到哈密顿-雅可比方程的黏性解,此黏性解代表了混合反射表面的高度值。实验结果表明:与现有的基于upwind格式的混合表面3D重建SFS算法相比,所提算法的运行时间得到大幅度的降低,获得的物体表面高度的平均绝对误差与均方根误差亦有较大程度的减小。

在基于相机的众多应用场合中,对相机内外参数与镜头畸变参数的标定是关键环节,确定其标定过程的简易操作及标定结果的精度至关重要。与面阵相机相比,线阵相机的标定过程较为复杂。介绍了适合线阵相机的成像几何模型和镜头畸变模型,总结了线阵相机标定的一般流程,归纳分析了文献中基于静态成像和动态扫描成像的标定方法,并对其特点作出了简要评价。

针对快速重建三维人脸的需求,设计了一种基于非Lambert从明暗恢复形状(NLSFS)方法的三维人脸快速重建系统。首先人脸表面采用非Lambert反射模型描述其反射特性,这更接近于人脸表面实际的反射特性;接着由遵循正交投影的摄像机获取光源作用下的人脸表面图像,同时假定摄像机方向与光源方向保持一致,建立人脸表面的图像辐照度方程;然后将该方程转化为包含人脸表面深度信息的Eikonal方程;最后根据上述方程的特点,利用fast marching方法设计了系统软件,能够快速求得Eikonal方程的解,进而重建出人脸的三维形状。实验结果表明,该系统可以在较短的时间内获得较高的重建精度,即0.9 s内可达到0.43%的高度平均相对误差。

针对含高光表面三维形状重构的需求,设计了一种基于从明暗恢复形状(SFS)方法的三维重构系统。在正交投影条件下由CCD相机获取点光源照射下的物体表面图像,使用Ward反射模型描述含高光表面的反射特性,建立物体表面图像辐照度方程。系统软件将该方程转化为包含物体高度信息的H-J偏微分方程,并计算此偏微分方程的解,得到物体的高度函数,进而恢复出物体的表面形状。实验表明,该系统可以有效地重构含高光表面的三维形状。

为了解决靶场测试中对于双管齐射**飞行矢量和着靶坐标的测量问题,提高测试精度,介绍了一种基于多幕面装置的非接触测试方法。文中详细介绍了装置的构成,分析了测试方法的原理,并利用MatLab软件进行了仿真测试,根据其技术特点和仿真结果,对工程应用存在的实际问题进行了讨论。装置系统可以完成对双管齐射**的测试,能够区分弹丸穿过幕面的正确时序并根据相应规则进行计算并得出结果。

从明暗恢复形状(SFS)是计算机视觉中三维重构问题的关键技术之一,其原理是利用单幅图像的明暗变化来恢复物体表面的三维形状,应用领域十分广泛。介绍了近些年来SFS方法的发展现状,将SFS算法划分为四种类型:演化和偏微分方程(PDE)方法、最优化方法、局部化方法以及线性化方法。同时,分析了各种SFS算法的特点,并对SFS技术的进一步发展趋势进行了展望。