Blok č. 2 1) 3D záznamživého člověka optickými skenery, analýzymodelů metodou porovnávánípolygonálníchsítí (FIDENTIS) 2) Fotografie a videozáznam 3) Seminář k bloku 2 3D záznam živého člověka optickými skenery, analýzymodelů metodou porovnávánípolygonálníchsítí (FIDENTIS) Mgr.Dominik Černý Osnova Optické skenery (Vectra, celotělový skener) Skenování obličeje Editace a analýza textury Digitalizace bodů na základě textury Pokročilé analýzy (FIDENTIS) • Jedna z metod jak trojrozměrně zaznamenat objekt • Pouze povrch • Výstup: trojrozměrný model objektu Pasivní optické skenery Formáty 3D modelů: Obj Stl Ply Wrl Pasivní optické skenery • Zpracování snímkůpořízenýchsynchronizovanými fotoaparáty • Triangulují prostorovésouřadnicez dvoua vícesnímků, pořízenýchsynchronizovanými kamerami z různých úhlů • Rozlišení prvkůna fotografiích ->výpočetprostorové polohy z rozdílůjejichuspořádání na různých fotografiích(bodypovrchumusí býtviditelnéz obouze všechreferenčníchbodů) • Předmětmusí býtv konstantní vzdálenosti pod přesně stanoveným úhlem • Tvar povrchuobjektu je rekonstruovánna základě geometrických pravidelze známé vzdálenosti, pozice a úhlu kamer vůčiobjektu. 5 Výhody ▪ Rychlost záznamu, která je srovnatelná s fotografováním ▪ Eliminace negativního vlivu pohybu snímané osoby na kvalitu výsledného modelu ▪ Záznam textury snímaného objektu ▪ Zdravotní nezávadnost 6 Nevýhody ▪ Relativněvysokápořizovacícena ▪ Vyšší nároky na výpočetní techniku ▪ Nelze použítu epileptiků ▪ Limitacemetody Limitace • Trichologický materiál(vlasy, vousy)– i jednotlivě • Velmilesklé povrchy • Okraje skenumohoubýt deformované • Výslednýskenneobsahuje informaceo částechobjektu, které skener nenasnímá 7 Vectra XT Vectra M1 Vectra H1 9 VectraXT ▪ 6 kamer ▪ Obličej, hlava, horní část trupu a boky s oblastí pánve Animace softwaru při vytváření 3D modelu VectraXT Výsledné modely Vectra M1 Vectra H1 ▪ 2 kamery ▪ Především obličej ▪ Pro záznam celého obličeje nutno kombinovat více snímků (u M1 3 snímky, H1 rozsah záznamového pole 270mm (V) x 165mm (Š) x 100mm (H) Výsledné modely po spojení FIDENTIS Database Raw scans Vectra M1 Vectra XT Raw edited scans Edited scans Raw merged scans Vectra M1 Vectra XT 01 02 03 04 Celotělový skener Zarovnání modelů na sebe • Landmark, Meshlab,Blender • Meshlab: pomocí funkce Align,PointBasedGlueing • Pro spojení více modelů do jednoho (nejen faciálních skenů) 17 Spojování modelů • Meshlab, GOM Inspect, Blender • Pomocí funkce Flatten VisibleLayers • Více modelů tvořící jeden objektnapř. skenyz VectryM1 – získáme tak kompletní informaci 18 Textury Barevná informace o 3D objektu Nejčastěji .obj formát 3D modelu .jpg nebo .png (samotná barevná informace) .mtl soubor spojujícímodel s texturou Zásadníu digitalizace bodů např.na obličeji Proidentifikační účely ve forenzníchvědách Informace ostavu objektu 19 Textury Základní jednotkou je pixel (je dán jasem a barvou) RGB CMYK stupněm šedi rozlišení Početpixelů, který je v obrázku Uvádí sejakopočetsloupcůxpočet řádků(1920x1080) Průměrování textur Vytváření průměrné textury (např. Photoshop) Textury musí mít stejné rozlišení Průměruje se barevná informace konkrétních pixelů Čím více průměrovaných textur tím lepší výsledek Vstup: modely - Raw edited zarovnané Vytvoření souřadnic Meshlab – otevřít soubor První cesta: Filters – Texture– Parametrization:Flat plane –apply – apply Alternativní cesta: Filters– Texture– Set texture, texture dimension: 4096 – apply Druhýkrok: U obousouborůCAi F Filters– Texture –Transfer vertex attributes to texture (between 2 meshes),Tabulka: Source:S texturou Target:bez textury Color data source:texture color Název: Přesnějako ten s texturouCA + .png Textureu oboučísel 4096 Zaškrtnout:Fill texture i Assigntexture (nezaškrtnout:overwrite target!) Dále: uložit v .obj V textovém editoru Do řádkuu souborunovéhomodelupod( NS řádek)z .mtl map. Kd + přesný název souboru Textury Tvorba obrázků z modelů s texturou Programy • FaceViewer • SyDa generator • (Meshlab) Snímek 3D objektu Rozlišení samotného snímku i objektu na něm Regulace vzdálenosti kamery od objektu a parametrů kamery Světelné podmínky a pozadí SyDa generator Software vyvíjenýve spoluprácis VUT Parametry: Distance to Object – vzdálenost kamery od objektu, v ideálnímpřípadě parametrohniskové vzdálenosti (Ohniskovávzdálenost je vzdálenost čočky objektivu od jejíhoohniska.Je to pomyslná vzdálenost za objektivem, ve které objektiv vykreslí ostrý obraz.Ohniskovávzdálenost se udává v milimetrech) Vertical field of View (VFoV) – nastavenízorného pole, to jak velkou výseč prostoru vidíme na obr (nejlépe v jednotkách) Width of head – velikost v pixelech jakou zaujme objekt na vygenerovaném obr Body souřadnice v prostoru xyz • Lze měřit vzdálenost mezi body • Průměrovat oblak bodů • Použít do dalších analýz Pravidla pro digitalizaci landmarků Standardizovaná pozicebodu Nejlépe s bods definicí(buď zavedenou nebo nověvytvořenoua ověřenou) Bods co nejmenší chyboudigitalizace reprodukovatelnost a opakovatelnost digitalizace bodů (interobserver a intraobserver chyba) Body danémorfologickýmistrukturami těla, maximálním rozměrem nebo proloženímrovinystrukturou Ideálnětak aby základnu bodu tvořilakost a ne měkká tkán (variabilita včase) Digitalizace landmarků dle textury Nástroje pro digitalizaci landmarků 1) manuální 2) automatická 42 landmarků se standardizovanými definicemi např.glabella, subnasale, gnathion, ... Standardizovaná pozice, přesná a jasnádefiniceboduminimalizujespolus dalšímifaktory chybudigitalizace. Vždy kontrola chyby digitalizace! Situacekdy máme 3D záznam objektu ve formě polygonální sítě Co chceme zjistit V jaké formě máme data, jak kvalitní Jak budeme data zkoumat, jakou metodu využijeme, design studie Standardizacedat Zarovnání datv prostoru (registrace) Zda budeme zkoumattvar i velikost V jaké formě chceme získat výsledky (numerické, vizuální,…) Analýza modelů Standardizace dat • Bez chybně naskenovaných částí modelu • Zarovnání modelů, nastavení modelu do definované polohy • Očištění od nadbytečných dat a chyb polygonální sítě • Vyplnění děr v polygonální síti • Odstranění chybných a izolovaných fragmentů a zdvojených sítí • Redukce rozlišení polygonální sítě • Změna velikosti digitálního modelu 32 Fidentis Analyst https://www.fidentis.cz/analyst Výsledek spolupráce Ústavu antropologie a Laboratoře interakce člověka s počítačem (HCILAB) Masarykovy univerzity Volně dostupná aplikace umožňující: • přímé porovnání geometrie polygonálních sítí • analýzu význačných bodů • dávkové zpracování většího množství modelů • tvorbu tvarově průměrné polygonální sítě • superpozici polygonálních sítí • analýzu lokálních oblastí a řezů modely • manuální a automatickou digitalizaci landmarků neobsahuje nástroje pro editaci digitálních modelů Fidentis Analyst Fidentis Analyst Umožňuje 3 typy analýzy modelů 1:1 – dva modely (před a po operaci, muž-žena, porovnání stejného jedince po několika letech – např. růst 1:n – jeden jedinec vs databáze (např. forenzní identifikace) n:n – všichni se všemi (např. variabilita populace, …) Model je potřeba před analýzou registrovat do 3D prostoru • GPA algoritmus (Generalized Procrustes analysis) - Na základě procrustovských vzdáleností jednotlivých bodů • ICP algoritmus (Iterative Closest Point) - na základě minimalizace rozdílů mezi dvěma oblaky bodů, bod po bodu Registrace modelu Registrace modelu Povolení přizpůsobenívelikosti Scale – zahrnutí analýzy celkové velikosti objektů, či nikoli (= analýza tvaru) Zakliknutím Use scale: povolujete přizpůsobení velikosti Analýzy 1:1 a 1:n GPAICP nearest neighbor distance Analýzy 1:1 a 1:n Výsledky ● Rozdíly mezi 3D objekty jsou vyjádřeny ve formě point to point vzdáleností (nebo jejich derivátů: průměr, minimum, maximum, root mean square atd.) rootmean square-Kvadratický průměr je statistická veličina představující druhouodmocninu aritmetického průměrudruhýchmocnin daných hodnot. nearest neighbor distance Analýzy 1:1 a 1:n Procrustes analysis Analýzy 1:1 a 1:n Analýza n:n Analýza n:n Analýza n:n Procrustes analysis Analýza n:n nearest neighbor distance Rozdíly mezi 3D objekty jsou vyjádřeny ve formě point to point vzdáleností (nebo jejich derivátů: průměr, minimum, maximum, root mean square atd.) Výsledky Analýza lokálních oblastí Důležitá chceme-li na základě námi zvolených parametrů analyzovat nějaké konkrétní oblasti – s nejmenšími/největšími rozdíly, s podobnou morfologií Cross section Cross section– řezy, v mnoha případechnám mohou rychle a přehledně ukázat jak a kde se liší analyzované modely(i vůči průměru) Vizuální vyjádření rozdílů ● Komparativníanalýzamodelů ● Superpozice ● Explicitní vyjádření rozdílů pomocíkonverze numerické informace do vizuální mapy Color map - “Diverging” color spectrum Color map - “Rainbow” color spectrum Color map - “Sequential” color spectrum Cross-sections Transparency Contours + GlyphsContours + Fog simulation Transparency + Fog simulation Ve složce modely_pro_fidentis naleznete modely. Úkolem je identifikovat nejpodobnější model k modelu X Tyto modely porovnejte 3 způsoby. Dále pomocí vizualizačního vyjádření rozdílů identifikujte oblasti kde se nejvíce liší. Popište získané výsledky a diskutujte rozdíly mezi metodami. Úkol