Progressive Shape Models - Archive ouverte HAL Access content directly
Conference Papers Year : 2012

Progressive Shape Models

(1) , (1)
1

Abstract

In this paper we address the problem of recovering both the topology and the geometry of a deformable shape using temporal mesh sequences. The interest arises in multi-camera applications when unknown natural dynamic scenes are captured. While several approaches allow recovery of shape models from static scenes, few consider dynamic scenes with evolving topology and without prior knowledge. In this nonetheless generic situation, a single time observation is not necessarily enough to infer the correct topology of the observed shape and evidences must be accumulated over time in order to learn this topology and to enable temporally consistent modelling. This appears to be a new problem for which no formal solution exists. We propose a principled approach based on the assumption that the observed objects have a fixed topology. Under this assumption, we can progressively learn the topology meanwhile capturing the deformation of the dynamic scene. The approach has been successfully experimented on several standard 4D datasets and we believe that it paves the way to more general multi-view scene capture and analysis.
Dans cet article nous nous concentrons sur un problème récurrent des systèmes d'acquisition 4D : l'apprentissage de la géométrie et de la topologie d'une scène déformable à partir d'une séquence temporelle de maillages. Il s'agit d'une étape fondamentale dans le traitement de scènes naturelles et dynamiques. Tandis que de nombreux travaux ont été menés pour la reconstruction de scènes statiques, assez peu considèrent le cas de scènes dynamiques dont la topologie évolue et sans connaissances \apriori. Dans cette situation, une simple observation à un unique instant de temps n'est souvent pas suffisante pour retrouver entièrement l'information de topologie propre à la scène observée. Il semble ainsi évident que les indices sur la forme doivent être accumulés intelligemment sur une séquence complète afin d'acquerir une information aussi complète que possible sur la topologie de la scène et permettre l'apprentissage d'un modèle cohérent à la fois spatialement et temporellement. A notre connaissance cela semble un problème nouveau pour lequel aucune solution formelle n'a été proposée. Nous formulons dans cette thèse un principe de solution basé sur l'hypothèse que les objets composant la scène observée possèdent une topologie fixe. A partir de cette hypothèse de base nous pouvons progressivement apprendre la topologie et en parallèle capturer les déformations d'une scène dynamique. Les travaux présentés dans cette partie visent à retrouver une information de basse fréquence sur la géométrie de la scène. En l'état actuel, la méthode que nous proposons ne peut pas être directement utilisée pour accumuler les informations de bas niveau (détails de la surface) sur une séquence de maillages.
Fichier principal
Vignette du fichier
cvpr.pdf (1.58 Mo) Télécharger le fichier
Vignette du fichier
res1.png (113.45 Ko) Télécharger le fichier
Vignette du fichier
context4.png (197.38 Ko) Télécharger le fichier
Vignette du fichier
improve.png (183 Ko) Télécharger le fichier
Vignette du fichier
pipeline3.png (121.96 Ko) Télécharger le fichier
Vignette du fichier
poster.pdf (1.25 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Format : Figure, Image
Format : Figure, Image
Format : Figure, Image
Format : Figure, Image
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-00677506 , version 1 (08-01-2016)

Licence

Attribution - NonCommercial - ShareAlike - CC BY 4.0

Identifiers

Cite

Antoine Letouzey, Edmond Boyer. Progressive Shape Models. CVPR - Computer Vision and Patern Recognition - 2012, Jun 2012, Providence, United States. pp.190-197, ⟨10.1109/CVPR.2012.6247675⟩. ⟨hal-00677506⟩
261 View
615 Download

Altmetric

Share

Gmail Facebook Twitter LinkedIn More