一种用于脑功能康复训练的虚拟场景三维重建方法

1.本发明涉及计算机辅助康复医学领域，特别涉及一种用于脑功能康复训练的虚拟场景三维重建方法。


背景技术：

2.对于患有脑部疾病的患者而言，康复训练是令患者提高肢体运动功能和恢复基本生活能力的必要环节，大多数康复训练都需要他人协助或借助工具来完成活动过程，由于脑卒中而引起脑组织损伤的患者的记忆力往往下降严重或表现为较健忘，因此常常通过视觉记忆、编故事法、手工疗法等训练手段去为脑卒中患者进行记忆恢复，患者在面对旧时的生活照片或熟悉的建筑物图像时大脑颞叶内侧的活跃度会大幅提高，刺激记忆力提升。
3.三维重建技术通过深度数据获取、预处理、点云配准与融合、生成表面等过程，把真实场景刻画成符合计算机逻辑表达的数学模型，这种模型可以对文物保护、游戏开发、建筑设计、临床医学等研究起到辅助的作用。图像三维重建技术是指利用多个二维图象中的信息，计算出图象坐标系与世界坐标系的关系进而重建出三维信息，将图像三维重建技术应用于脑康复训练有助于患者加速记忆功能恢复，然而脑卒中患者在观看三维图像演示过程中会由于三维物体旋转过于平滑而引起3d眩晕，通过老物件图像建立的高精度高逼真三维模型对患者往往会起到适得其反的效果，因此需要考虑患者的大脑强度和前庭功能而提出一种真实的合适的虚拟场景三维重建方法，在脑康复训练过程中辅助脑卒中患者促进记忆恢复。


技术实现要素：

4.本发明的目的在于提出一种用于脑功能康复训练的虚拟场景三维重建方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
5.本发明提供了一种用于脑功能康复训练的虚拟场景三维重建方法，获取目标物体，通过摄像机以多个角度拍摄目标物体得到多张目标图像，对摄像机进行摄像机标定，得到单应性矩阵，通过单应性矩阵对多张目标图像进行修正得到多张修正图像，通过多张修正图像进行三维重建，得到三维模型。所述方法能够完成真实物体的三维重建，将其用于脑功能康复训练中能够帮助脑卒中患者完成记忆恢复，通过对拍摄到的目标图像进行修正，加速三维重建过程，还能够适度降低三维重建的模型精度从而减少脑卒中患者产生的不适感，使得患者在康复训练中更舒适地观看三维模型，提高训练效果。
6.为了实现上述目的，根据本公开的一方面，提供一种用于脑功能康复训练的虚拟场景三维重建方法，所述方法包括以下步骤：s100，获取目标物体，通过摄像机以多个角度拍摄目标物体得到多张目标图像；s200，对摄像机进行摄像机标定，得到单应性矩阵；s300，通过单应性矩阵对多张目标图像进行修正得到多张修正图像；s400，通过多张修正图像进行三维重建，得到三维模型。
7.进一步地，步骤s100中，所述目标物体为参与脑功能康复训练的患者所熟悉的物品或模型，所述模型为患者所熟悉的建筑或车辆的一比一高精度还原模型。
8.进一步地，步骤s200，对摄像机进行摄像机标定，获取标定参数，具体方法为：通过张正友棋盘格标定法对摄像机进行摄像机标定得到单应性矩阵；或者，通过机器学习软件库opencv中的findhomography(src, dst, cv2.ransac)函数（平面矩阵转换函数，通过ransac或者最小均方误差方法计算多个二维点对之间的最优单映射变换矩阵 h）求取单应性矩阵，其中，src为原始图像，dst为标准图像，cv2.ransac为指定基于ransac的鲁棒算法参数，所述原始图像为多张目标图像中的其中一张，所述标准图像为经过图象几何校正后的原始图像。
9.进一步地，步骤s300，通过单应性矩阵对多张目标图像进行修正得到多张修正图像，具体步骤为：s301，将多张目标图像依次输入到opencv中的warpperspective(src, h, size)函数（透视变换函数，将图片投影到一个新的视平面，通过使用指定的矩阵转换源图像）得到多张修正图像，其中，src为目标图像，h为单应性矩阵，size=(width,height)，width和height分别为多张目标图像中任意一张图像的宽度和高度，转至s302；s302，记多张修正图像的数量为n，将n张修正图像按拍摄时间从前到后进行排列构成格图序列cs，记cs(i)为格图序列中的第i张图像，i∈[1,n]，计算格图序列中每张图像的重建修复度，记重建修复度最小的图像为重建图像，初始化一个滑动窗口winsize（矩形），滑动窗口的宽度=重建图像的宽度/(t*n)，滑动窗口的高度=重建图像的高度/(t*n)，t设定为[3,5]中的整数，转至s303；其中，重建图像的宽度和高度的单位为像素；s303，初始化整数变量j1=1，j1∈[1,n]，设置整数变量j2，j2∈[1,n]，令j2的初始值为j1 1，转至s304；s304，记cs(j1)的宽度分别为w1和h1，通过winsize对cs(j1)进行滑动切分得到多个子图像块（由于每张cs(j1)的大小不同，得到的子图像块数量也不同）并以序列sib储存（即多个子图像块构成），记sib(k)为序列sib中的第k个子图像块，k∈[1,m]，m为所有子图像块的数量(m为变量，其值随着得到的子图像块数量变化而变化)，初始化整数变量j3，j3∈[1,m]，令j3的初始值为1，转至s305；s305，记cs(j2)的宽度和高度分别为w2和h2，记变量va1=(w2/w1)，记变量va2=(h2/h1)，转到s306；s306，记sib(j3)的左上角的点的像素坐标为tlp=(x1,y1)，记sib(j3)的左下角的点的像素坐标为dlp=(x2,y2)，记sib(j3)的右上角的点的像素坐标为trp=(x3,y3)，记sib(j3)的右下角的点的像素坐标为drp=(x4,y4)；令cs(j1)的重建修复度为cg1，cs(j2)的重建修复度为cg2；当w1《w2并且cg1≤cg2时，更新tlp=(x1 va1,y1)，更新dlp=(x2 va1,y2)，更新trp=(x3 va1,y3) 更新drp=(x4 va1,y4)；当w1》w2并且cg1≤cg2时，更新tlp=(x1-va1,y1)，更新dlp=(x2-va1,y2)，更新trp=(x3-va1,y3) 更新drp=(x4-va1,y4)；当h1《h2并且cg1＞cg2时，更新tlp=(x1,y1 va2)，更新dlp=(x2,y2 va2)，更新trp=(x3,y3 va2)，更新drp=(x4,y4 va2)；当h1》h2并且cg1＞cg2时，更新tlp=(x1,y1-va2)，更新dlp=(x2,y2-va2)，更新trp=(x3,y3-va2) ，更新drp=(x4,y4-va2)；
在cs(j2)中依次连接像素坐标为tlp、dlp、trp、drp的四个像素，构成图像子块temsib（矩形），转至s307；（通过temsib子块能够快速的扫描出其中像素重建修复缩放距离的程度异常的图像区域）；s307，若图像子块temsib的重建修复度小于sib(j3)的重建修复度，将sib(j3)放大s倍得到放缩图像子块risib，在cs(j2)中将子图像块temsib替换为放缩图像子块risib得到替换后的cs(j2)；若j3的值小于m，令j3的值增加1，转至s306，若j3的值大于等于m，转至s308；其中，s=(sib(j3)的面积)/(temsib的面积)，所述面积即图像的宽度乘以高度；（修复了原temsib子块中像素重建修复缩放距离的程度异常的图像区域）；s308，若j2的值小于n，令j2的值增加1，重置j3的值为1，转至s305；若j2的值大于等于n，令j1的值增加1，清空序列sib中的所有元素，重置j2的值为j1 1，转至s309；s309，若j1的值小于等于n，转至s304，若j1的值大于n，转至s310；s310，输出格图序列cs；其中，图像或图像子块的重建修复度的计算方法为：，式中，rsd代表图像或图像子块的重建修复度，w为图像或图像子块的宽度，l为图像或图像子块的高度，a、b为变量，g(a,b)为图像或图像子块中像素坐标为(a,b)的像素点的像素值。
[0010]
本步骤的有益效果为：由于经过投影变形后的修正图像中部分图像子块会出现异常，即表现为内容错误或色彩出错，同时为降低图像分辨率而方便建模以适应脑卒中患者的康复训练，本步骤的方法可以保留修正图像内的核心特征，通过遍历所有修正图像中的所有图像子块，以重建修复度表示图像的精度和分辨率在三维建模后的预测效果的最高程度，将重建修复度过高的图像子块以具有核心特征的放缩子块替换掉，在三维建模后得到的模型能保留目标物体的特征时同时精度和分辨率不会过高，从而不会使得脑卒中患者引发3d眩晕，在脑功能康复训练中能够保证患者顺利进行记忆恢复。
[0011]
优选地，所述滑动切分的具体步骤为：将滑动窗口设置于图像的左上方（滑动窗口的左上角点与图像的左上角点的位置相一致），以滑动窗口的宽或高为步进，将滑动窗口在图像中按广度遍历算法进行滑动，从而切分出多个图像子块。
[0012]
进一步地，通过多张修正图像进行三维重建，得到三维模型，具体步骤为：读取格图序列中的所有修正图像，将所有修正图像输入到三维建模软件中，完成三维重建，所述三维建模软件为autodesk 123d catch、tinkercad、visualsfm、meshlab、autodesk recap 360 photo中的任意一个。
[0013]
在经过修正后的目标图像中，往往还会存在部分图像块的分辨率较高或亮度过高的现象，为使脑卒中患者在参与康复训练时不会产生3d眩晕（模型精度过于逼真会导致3d眩晕），为解决该问题，同时提高三维重建的速度，本发明提供了一个更优先的处理修正图像的方法如下：优选地，通过滑动窗口将修正图像滑动切分为多个子图像块，计算每个图像子块的亮度（所述亮度为图像中所有像素点的亮度均值或者灰度均值），记亮度最大的图像子块
为强子块，记亮度最小的图像子块为弱子块，依次计算每个子图像块与强子块之间的重建差值并以集合sbrd{}储存，重建差值为两个图像子块的重建修复度之间的差值的绝对值；记sbrd{}中所有元素的均值为ave，在所有重建差值低于ave的图像子块中筛选出重建修复度最高的对应图像子块记为指示子块，记指示子块的中心在修正图像中的像素坐标为(p1,q1)，记弱子块的中心在修正图像中的像素坐标为(p2,q2)；在修正图像中，连接(p1,q1)和(p2,q2)构成线段ln，以线段ln的中点为圆心、r为半径构建圆c，其中r为线段ln的中点到端点的距离，对与圆c构成的区域有交集的图像子块进行区域缩进处理（图像子块构成的区域和圆c构成的区域存在交集），将经过处理后的修正图像输出；所述进行区域缩进处理，具体步骤为：记pi(u)为图像子块中的第u个像素点，u∈[1,tot]，tot为图像子块中所有像素点的数量，记与pi(u)相邻的p个像素点的像素值的平均值为pa，p的取值为3、5、8中的其中一个（pi(u)为角点时p值为3、为界点时取5、为内点时取8），遍历所有pi(u)，以pa的值替换pi(u)的像素值，完成区域缩进处理。
[0014]
本步骤的方法可以准确筛选出修正图像中亮度过高的部分，通过区域缩进处理以降低亮度，同时保留图像的关键像素，防止关键内容丢失，同时对图像进行适度压缩，以加速三维重建。
[0015]
优选地，将所述三维模型用于脑功能康复训练时使用的显示器端的画面输出。
[0016]
本公开还提供了一种用于脑功能康复训练的虚拟场景三维重建系统，所述一种用于脑功能康复训练的虚拟场景三维重建系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种用于脑功能康复训练的虚拟场景三维重建方法中的步骤，所述一种用于脑功能康复训练的虚拟场景三维重建系统可以运行于桌上型计算机、笔记本电脑、移动电话、手提电话、平板电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：物体拍摄单元，用于获取目标物体，通过摄像机以多个角度拍摄目标物体得到多张目标图像；相机标定单元，用于对摄像机进行摄像机标定，得到单应性矩阵；图像修正单元，用于通过单应性矩阵对多张目标图像进行修正得到多张修正图像；三维重建单元，用于通过多张修正图像进行三维重建，得到三维模型。
[0017]
本发明的有益效果为：所述方法能够完成真实物体的三维重建，将其用于脑功能康复训练中能够帮助脑卒中患者完成记忆恢复，通过对拍摄到的目标图像进行修正，加速三维重建过程，还能够适度降低三维重建的模型精度从而减少脑卒中患者产生的不适感，使得患者在康复训练中更舒适地观看三维模型，提高训练效果。
附图说明
[0018]
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种用于脑功能康复训练的虚拟场景三维重建方法的流程图；图2所示为一种用于脑功能康复训练的虚拟场景三维重建系统的系统结构图。
具体实施方式
[0019]
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0020]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0021]
如图1所示为根据本发明的一种用于脑功能康复训练的虚拟场景三维重建方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种用于脑功能康复训练的虚拟场景三维重建方法。
[0022]
本公开提出一种用于脑功能康复训练的虚拟场景三维重建方法，所述方法包括以下步骤：s100，获取目标物体，通过摄像机以多个角度拍摄目标物体得到多张目标图像；s200，对摄像机进行摄像机标定，得到单应性矩阵；s300，通过单应性矩阵对多张目标图像进行修正得到多张修正图像；s400，通过多张修正图像进行三维重建，得到三维模型。
[0023]
进一步地，步骤s100中，所述目标物体为参与脑功能康复训练的患者所熟悉的物品或模型，所述模型为患者所熟悉的建筑或车辆的一比一高精度还原模型。
[0024]
进一步地，步骤s200，对摄像机进行摄像机标定，获取标定参数，具体方法为：通过张正友棋盘格标定法对摄像机进行摄像机标定得到单应性矩阵；或者，通过机器学习软件库opencv中的findhomography(src, dst, cv2.ransac)函数（平面矩阵转换函数，通过ransac或者最小均方误差方法计算多个二维点对之间的最优单映射变换矩阵 h）求取单应性矩阵，其中，src为原始图像，dst为标准图像，cv2.ransac为指定基于ransac的鲁棒算法参数，所述原始图像为多张目标图像中的其中一张，所述标准图像为经过图象几何校正后的原始图像。
[0025]
进一步地，步骤s300，通过单应性矩阵对多张目标图像进行修正得到多张修正图像，具体步骤为：s301，将多张目标图像依次输入到opencv中的warpperspective(src, h, size)函数（透视变换函数，将图片投影到一个新的视平面，通过使用指定的矩阵转换源图像）得到多张修正图像，其中，src为目标图像，h为单应性矩阵，size=(width,height)，width和height分别为多张目标图像中任意一张图像的宽度和高度，转至s302；s302，记多张修正图像的数量为n，将n张修正图像按拍摄时间从前到后进行排列构成格图序列cs，记cs(i)为格图序列中的第i张图像，i∈[1,n]，计算格图序列中每张图像的重建修复度，记重建修复度最小的图像为重建图像，初始化一个滑动窗口winsize（矩形），滑动窗口的宽度=重建图像的宽度/(t*n)，滑动窗口的高度=重建图像的高度/(t*n)，t
设定为[3,5]中的整数，转至s303；其中，重建图像的宽度和高度的单位为像素；s303，初始化整数变量j1=1，j1∈[1,n]，设置整数变量j2，j2∈[1,n]，令j2的初始值为j1 1，转至s304；s304，记cs(j1)的宽度分别为w1和h1，通过winsize对cs(j1)进行滑动切分得到多个子图像块（由于每张cs(j1)的大小不同，得到的子图像块数量也不同）并以序列sib储存（即多个子图像块构成），记sib(k)为序列sib中的第k个子图像块，k∈[1,m]，m为所有子图像块的数量(m为变量，其值随着得到的子图像块数量变化而变化)，初始化整数变量j3，j3∈[1,m]，令j3的初始值为1，转至s305；s305，记cs(j2)的宽度和高度分别为w2和h2，记变量va1=(w2/w1)，记变量va2=(h2/h1)，转到s306；s306，记sib(j3)的左上角的点的像素坐标为tlp=(x1,y1)，记sib(j3)的左下角的点的像素坐标为dlp=(x2,y2)，记sib(j3)的右上角的点的像素坐标为trp=(x3,y3)，记sib(j3)的右下角的点的像素坐标为drp=(x4,y4)；令cs(j1)的重建修复度为cg1，cs(j2)的重建修复度为cg2；当w1《w2并且cg1≤cg2时，更新tlp=(x1 va1,y1)，更新dlp=(x2 va1,y2)，更新trp=(x3 va1,y3) 更新drp=(x4 va1,y4)；当w1》w2并且cg1≤cg2时，更新tlp=(x1-va1,y1)，更新dlp=(x2-va1,y2)，更新trp=(x3-va1,y3) 更新drp=(x4-va1,y4)；当h1《h2并且cg1＞cg2时，更新tlp=(x1,y1 va2)，更新dlp=(x2,y2 va2)，更新trp=(x3,y3 va2)，更新drp=(x4,y4 va2)；当h1》h2并且cg1＞cg2时，更新tlp=(x1,y1-va2)，更新dlp=(x2,y2-va2)，更新trp=(x3,y3-va2) ，更新drp=(x4,y4-va2)；在cs(j2)中依次连接像素坐标为tlp、dlp、trp、drp的四个像素，构成图像子块temsib（矩形），转至s307；（temsib子块能够扫描出其中像素重建修复缩放距离的程度异常的图像区域）；s307，若图像子块temsib的重建修复度小于sib(j3)的重建修复度，将sib(j3)放大s倍得到放缩图像子块risib，在cs(j2)中将子图像块temsib替换为放缩图像子块risib得到替换后的cs(j2)；若j3的值小于m，令j3的值增加1，转至s306，若j3的值大于等于m，转至s308；其中，s=(sib(j3)的面积)/(temsib的面积)，所述面积即图像的宽度乘以高度；（修复了原temsib子块中像素重建修复缩放距离的程度异常的图像区域）；s308，若j2的值小于n，令j2的值增加1，重置j3的值为1，转至s305；若j2的值大于等于n，令j1的值增加1，清空序列sib中的所有元素，重置j2的值为j1 1，转至s309；s309，若j1的值小于等于n，转至s304，若j1的值大于n，转至s310；s310，输出格图序列cs；其中，图像或图像子块的重建修复度的计算方法为：，式中，rsd代表图像或图像子块的重建修复度，w为图像或图像子块的宽度，l为图像或图像子块的高度，a、b为变量，g(a,b)为图像或图像子块中像素坐标为(a,b)的像素点的像素值。
[0026]
优选地，所述滑动切分的具体步骤为：将滑动窗口设置于图像的左上方（滑动窗口的左上角点与图像的左上角点的位置相一致），以滑动窗口的宽或高为步进，将滑动窗口在图像中按广度遍历算法进行滑动，从而切分出多个图像子块。
[0027]
进一步地，通过多张修正图像进行三维重建，得到三维模型，具体步骤为：读取格图序列中的所有修正图像，将所有修正图像输入到三维建模软件中，完成三维重建，所述三维建模软件为autodesk 123d catch、tinkercad、visualsfm、meshlab、autodesk recap 360 photo中的任意一个。
[0028]
在经过修正后的目标图像中，往往还会存在部分图像块的分辨率较高或亮度过高的现象，为使脑卒中患者在参与康复训练时不会产生3d眩晕（模型精度过于逼真会导致3d眩晕），为解决该问题，同时提高三维重建的速度，本发明提供了一个更优先的处理修正图像的方法如下：优选地，通过滑动窗口将修正图像滑动切分为多个子图像块，计算每个图像子块的亮度（所述亮度为图像中所有像素点的亮度均值或者灰度均值），记亮度最大的图像子块为强子块，记亮度最小的图像子块为弱子块，依次计算每个子图像块与强子块之间的重建差值并以集合sbrd{}储存，重建差值为两个图像子块的重建修复度之间的差值的绝对值；记sbrd{}中所有元素的均值为ave，在所有重建差值低于ave的图像子块中筛选出重建修复度最高的对应图像子块记为指示子块，记指示子块的中心在修正图像中的像素坐标为(p1,q1)，记弱子块的中心在修正图像中的像素坐标为(p2,q2)；在修正图像中，连接(p1,q1)和(p2,q2)构成线段ln，以线段ln的中点为圆心、r为半径构建圆c，其中r为线段ln的中点到端点的距离，对与圆c构成的区域有交集的图像子块进行区域缩进处理（图像子块构成的区域和圆c构成的区域存在交集），将经过处理后的修正图像输出；所述进行区域缩进处理，具体步骤为：记pi(u)为图像子块中的第u个像素点，u∈[1,tot]，tot为图像子块中所有像素点的数量，记与pi(u)相邻的p个像素点的像素值的平均值为pa，p的取值为3、5、8中的其中一个（pi(u)为角点时p值为3、为界点时取5、为内点时取8），遍历所有pi(u)，以pa的值替换pi(u)的像素值，完成区域缩进处理。
[0029]
优选地，将所述三维模型用于脑功能康复训练时使用的显示器端的画面输出。
[0030]
一种用于脑功能康复训练的虚拟场景三维重建系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种用于脑功能康复训练的虚拟场景三维重建方法实施例中的步骤，所述一种用于脑功能康复训练的虚拟场景三维重建系统可以运行于桌上型计算机、笔记本电脑、移动电话、手提电话、平板电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
[0031]
本公开的实施例提供的一种用于脑功能康复训练的虚拟场景三维重建系统，如图2所示，该实施例的一种用于脑功能康复训练的虚拟场景三维重建系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种用于脑功能康复训练的虚拟场景三维重建方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：物体拍摄单元，用于获取目标物体，通过摄像机以多个角度拍摄目标物体得到多张目标图像；
相机标定单元，用于对摄像机进行摄像机标定，得到单应性矩阵；图像修正单元，用于通过单应性矩阵对多张目标图像进行修正得到多张修正图像；三维重建单元，用于通过多张修正图像进行三维重建，得到三维模型。
[0032]
所述一种用于脑功能康复训练的虚拟场景三维重建系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种用于脑功能康复训练的虚拟场景三维重建系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种用于脑功能康复训练的虚拟场景三维重建方法及系统的示例，并不构成对一种用于脑功能康复训练的虚拟场景三维重建方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种用于脑功能康复训练的虚拟场景三维重建系统还可以包括输入输出设备、网络接入设备、总线等。
[0033]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑ꢀ
programmable gate array，fpga)或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种用于脑功能康复训练的虚拟场景三维重建系统的控制中心，利用各种接口和线路连接整个一种用于脑功能康复训练的虚拟场景三维重建系统的各个分区域。
[0034]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种用于脑功能康复训练的虚拟场景三维重建方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card ,smc)，安全数字(secure digital ,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0035]
本发明提供了一种用于脑功能康复训练的虚拟场景三维重建方法，获取目标物体，通过摄像机以多个角度拍摄目标物体得到多张目标图像，对摄像机进行摄像机标定，得到单应性矩阵，通过单应性矩阵对多张目标图像进行修正得到多张修正图像，通过多张修正图像进行三维重建，得到三维模型。所述方法能够完成真实物体的三维重建，将其用于脑功能康复训练中能够帮助脑卒中患者完成记忆恢复，通过对拍摄到的目标图像进行修正，加速三维重建过程，还能够适度降低三维重建的模型精度从而减少脑卒中患者产生的不适感，使得患者在康复训练中更舒适地观看三维模型，提高训练效果。尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。