CN105261062A - 一种人物分段建模方法 - Google Patents

Abstract

本发明涉及一种人物模型重建方法，公开了一种人物分段建模方法，包括使用三维扫描仪采集人物头部点的云数据，构建人物头部模型；对构建的人物头部模型进行预处理，得到预处理后的人物头部模型；采用基于边曲率及面积误差的边折叠简化方法来简化预处理后的人物头部模型，且采用交互式方法进行保留人物头部模型的细节特征；对得到的人物头部模型与人体躯干数据库中的人体躯干模型进行匹配及融合，最终得到完整的人体模型。该方法提高了建模的效率，增加模型的多样性，在群体仿真中具有很高的应用价值。

Description

一种人物分段建模方法

技术领域

本发明涉及一种建模方法，尤其涉及一种人物分段建模方法。

背景技术

计算机群体动画因为具有准确、智能以及操作性强的特点，已经在动漫动画、网游制作、交通管理、人群疏散和灾难逃生等方面取得了很好的效果。如何对真实的人体进行三维建模并应用到群体动画中是当前群体动画仿真系统面临的一个重要挑战。

传统的三维人体建模通常使用结构光或者激光扫描仪，虽然能获得高精度的个性化三维人体模型，但是成本高而且操作复杂。微软推出的Kinect设备利用红外技术，能够实现低成本下三维信息的快捷获取。这一突破，极大地推动了一些使用三维技术的应用，如基于Kinect的人体动作识别、骨骼建模、人脸识别、场景三维重建等，都成为相关领域的研究热点。Kinect深度摄像机以其成本低而且操作简单的特点，也常被作为扫描仪用于实时快速地构建个性化的三维人体模型。

但由于Kinect扫描的模型点云密度太大，由其构建的三维人体模型很难被广泛地应用。比如，在人群仿真场景中，由于人群规模巨大，要求人体实时渲染速度快。若直接将Kinect扫描的三维人体模型应用到群体仿真中，无疑会增加系统开销、降低人群仿真的效率。因此如何简化模型以及如何保留模型的细节特征，并获得一个简单且与原模型高相似度的模型是一个很有意义的问题。

发明内容

为了解决现有技术的缺点，本发明提供一种人物分段建模方法。该方法基于3D设备获得头部高精度具有真实感个性化的头部模型，采用基于边曲率与面积误差的边折叠简化方法，并采用交互式方式保留头部模型的细节特征，然后选择合适的身体模型与头部模型自动融合，重建一个完整的人物模型。

为实现上述目的，本发明采用以下技术方案：

一种人物分段建模方法，包括：

步骤(1)：使用三维扫描仪采集人物头部点的云数据，构建人物头部模型；

步骤(2)：对构建的人物头部模型进行预处理，得到预处理后的人物头部模型；

步骤(3)：采用基于边曲率及面积误差的边折叠简化方法来简化预处理后的人物头部模型，且采用交互式方法进行保留人物头部模型的细节特征；

步骤(4)：对步骤(3)得到的人物头部模型与人体躯干数据库中的人体躯干模型进行匹配及融合，最终得到完整的人体模型。

所述步骤(2)中预处理的具体过程为：

步骤(2.1)：将构建人物头部模型的拓扑结构映射到图上，采用图论的方法去除人物头部模型中的碎片，得到去除碎片的人物头部模型；

步骤(2.2)：判断去除碎片的人物头部模型中是否存在漏洞，若存在，则采用支撑径向基函数的层次化方法对人物头部模型进行修补，采用拉普拉斯方法对漏洞修复后的人物头部模型进行平滑处理；

若不存在漏洞，则采用拉普拉斯方法对无漏洞的人物头部模型进行平滑处理。

所述步骤(2.1)的具体过程为：

步骤(2.1.1)：将构建人物头部模型的拓扑结构映射到图上，初始化人物头部模型的拓扑结构；

步骤(2.1.2)：采用图的深度遍历方法遍历图G，保留最大的连通图G_max；

步骤(2.1.3)：通过G_max重构人物头部模型，实现人物头部模型的去除碎片处理。

所述步骤(2.2)中采用支撑径向基函数的层次化方法对人物头部模型进行修补的过程为：

在人物头部模型中随机获取若干个点，并同时获取每个点所对应的法向量，将人物头部模型的表面转化成隐式表面；

将人物头部模型的表面顶点集合拟合成一个平行六面体，然后把表面顶点集合和表面顶点集合的分组递归地细分到8个等大的象限，构建出层次化点集；

对构建的层次化点集不同层次采用不同的插值基函数进行多层次插值，最后实现对人物头部模型的恢复。

所述步骤(2.2)中采用拉普拉斯方法来平滑处理人物头部模型的过程为：

采用拉普拉斯方法将人物头部模型中顶点的三维位置向周围顶点的重心位置移动，使顶点与周围顶点差距最小化；

对于人物头部模型上的每一个点，根据周围顶点的位置信息，重新计算人物头部模型上相应点的空间位置来对人物头部模型进行平滑。

所述步骤(3)中采用交互式方法保留人物头部模型的细节特征的过程为：

步骤(3.1)：根据人物头部模型中的保留区域边的集合，计算非保留边的折叠代价以及非保留边折叠代价的平均值；

步骤(3.2)：需要保留的边的折叠代价等于非保留边折叠代价的平均值与该平均值的随机权重的乘积，根据需要保留的边的折叠代价排序，从小到大进行边折叠操作。

所述折叠代价等于人物头部模型中的保留区域的非保留边的边曲率与保留区域中删除该条非保留边后的面积误差之和。

所述步骤(4)人物头部模型与人体躯干模型融合的过程为：

步骤(4.1)：根据人物头模型和人体躯干模型的边界边分别进行确定各自的融合区域，确定人物头模型融合区域F¹和人体躯干模型融合区域F²，并分别映射到二维空间H¹，H²；

步骤(4.2)：将二维空间H¹，H²合并，得到二维空间H^c；采用FCF方法对二维空间H^c中的各个点进行重构融合曲面F^c，得到人物头部模型与人体躯干模型融合的曲面；

步骤(4.3)：根据人物头部模型与人体躯干模型融合的曲面进行自动融合人物头部模型与人体躯干模型，构建出层次性人体模型。

所述步骤(1)中3D扫描仪为Kinect3D扫描仪。

所述步骤(4.2)中采用FCF方法对二维空间H^c中的各个点进行重构融合曲面F^c的过程为：

首先，计算融合曲面F^c的顶点v^c分别在F¹上的坐标v¹以及在F²上的坐标v²；

然后，根据v_c＝f(s)v¹+(1-f(s))v²，得到融合曲面F^c的顶点v^c的坐标，其中，f(s)表示非均匀三次b样条曲线插值算法。

本发明的有益效果为：

(1)本发明采用3D设备获得头部高精度具有真实感个性化的头部模型，采用基于边曲率与面积误差的边折叠简化方法，并采用交互式方式保有效地保留了模型的细节特征；

(2)人物模型之间最大的不同在于头上的细节特征，尤其是在群体仿真中，躯干上的细节信息显得不是那么重要，而对群体人物区分的最明显的部位是在头部，所以本方法采用基于Kinect的头和躯干分段的方法建模，选择合适的身体模型与头部模型融合，重建一个完整的人物模型，采用FCF融合方法，实现模型之间的自动融合，不仅可以简化操作，而且还可以提高建模的效率，增加模型的多样性，在群体仿真中具有很高的应用价值。

附图说明

图1是本发明的人物分段建模方法流程图；

图2a)是去除碎片前的人物头部模型；

图2b)是去除碎片后的人物头部模型；

图3a)是原始人物头部模型；

图3b)是修补漏洞后的人物头部模型；

图4a)是平滑前的人物头部模型；

图4b)是平滑后的人物头部模型；

图5a)是边曲率计算示意图；

图5b)是面积误差计算示意图；

图6a)是20921个点，41261个三角面片的原始人物头部模型；

图6b)是简化率为80％人物头部模型；

图6c)是简化率为90％人物头部模型；

图6d)是简化率为95％人物头部模型；

图7a)是人物头部模型与人体躯干模型融合的融合流程图；

图7b)是改进的FCF函数；

图8是人物头部模型与人体躯干模型融合的融合效果图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

如图1所示，一种人物分段建模方法，包括：

步骤(1)：使用三维扫描仪采集人物头部点的云数据，构建人物头部模型；

步骤(2)：对构建的人物头部模型进行预处理，得到预处理后的人物头部模型；

步骤(3)：采用基于边曲率及面积误差的边折叠简化方法来简化预处理后的人物头部模型，且采用交互式方法进行保留人物头部模型的细节特征；

步骤(4)：对步骤(3)得到的人物头部模型与人体躯干数据库中的人体躯干模型进行匹配及融合，最终得到完整的人体模型。

这样得到不同精度的人体模型，使用这些人体模型可以构建层次化人体模型数据库。其中，步骤(1)中3D扫描仪可以选用Kinect3D扫描仪或其他扫描仪。采用Kinect作为深度摄像机，具有操作简单，易实现，使用灵活等优点，能够很好的重建高精度的人物头部模型。

以Kinect3D扫描仪为例：

步骤(1)中使用Kinect3D扫描仪，在MicrosoftVisualStudio平台上采用C++编程，采集头部点云数据。

步骤(2)为预处理操作，主要目的是去除人物头部模型上的碎片，修补数据采集时有可能出现的漏洞，对人物头部模型进行平滑处理。

步骤(2)的具体过程包括：

步骤(2.1)：去除人物头部模型上的碎片，将人物头部模型的拓扑结构映射到图上，采用图论的方法将模型中不必要的碎片去除，其过程为：

步骤(2.1.1)：使用图表示人物头部模型的拓扑结构，初始化人物头部模型的拓扑结构G＝{V,F,L}，V表示人物头部模型的点集，F表示人物头部模型面的集合，L表示人物头部模型边的集合；

步骤(2.1.2)：采用图的深度遍历方法遍历图G，最大的连通图即为需要保留的拓扑结构，令最大的连通图为G_max；

步骤(2.1.3)：通过G_max重构人物头部模型，实现去除碎片的操作，如图2a)是去除碎片前的人物头部模型，图2b)是去除碎片后的人物头部模型。

步骤(2.2)：判断去除碎片的人物头部模型中是否存在漏洞，若存在，则采用支撑径向基函数的层次化方法对人物头部模型进行恢复，恢复成隐式曲面，重建模型，采用拉普拉斯方法对漏洞修复后的人物头部模型进行平滑处理；

若不存在漏洞，则采用拉普拉斯方法对无漏洞的人物头部模型进行平滑处理。

步骤(2.2)中使用紧支撑径向基函数的层次化方法对模型进行恢复的具体实施过程为：

假设P＝{p_i}是在模型中随机获取的N个散乱点，并同时获取每个点所对应的法向量n_i；三维模型表面转化成的隐式函数定义为F(x)，其中零水平集F(x)＝0为网格模型的表面，F(x)<0区域表示模型内部，F(x)>0区域为模型外部；

对模型表面顶点p_i确定一个局部正交坐标系(u_i,v_i,w_i)，其中w_i的正方向与p_i法向量的方向相同。定义隐式函数g_i(x)＝w_i-h(u_i,v_i)逼近顶点p_i周围小邻域的基本形状。

其中，h(u,v)≡Au²+2Buv+CV²表示用二次曲面逼近顶点p_i周围形状，h(u,v)中的系数A，B和C使用最小二乘法得到，通过求解公式(1)得到。

$\underset{(u_j,v_j,w_j)=p_j\&Element;P}{\&Sigma;}{\mathrm{\&phi;}}_{\mathrm{\&sigma;}}\left(\right||p_j-p_i|\left|\right){(w_j-h(u_j,v_j\left)\right)}^2\&RightArrow;\min ---\left(1\right)$

在公式(1)中，φ_σ(r)＝(1-r)⁴+(4r+1)是Wendaland紧支撑集RBF，r表示变量，σ为支撑半径。

根据三维模型表面网格顶点集P，根据公式(2)利用基函数RBFs将三维模型表面转化为隐式表面F(x)，其中，λ_i为控制系数。

$F\left(x\right)=\underset{p_i\&Element;P}{\&Sigma;}{\mathrm{\&psi;}}_i\left(x\right)=\underset{p_i\&Element;P}{\&Sigma;}\&lsqb;g_i\left(x\right)+{\mathrm{\&lambda;}}_i\&rsqb;{\mathrm{\&phi;}}_{\mathrm{\&sigma;}}\left(\right||x-p_i|\left|\right)---\left(2\right)$

计算控制系数λ_i。将每个顶点p_i带入公式(2)可得公式(3)

$F\left(p_j\right)=0=\underset{p_i\&Element;P}{\&Sigma;}\&lsqb;g_i\left(p_j\right)+{\mathrm{\&lambda;}}_i\&rsqb;{\mathrm{\&phi;}}_{\mathrm{\&sigma;}}\left(\right||p_j-p_i|\left|\right)---\left(3\right)$

根据公式(3)可得

$\underset{p_i\&Element;p}{\&Sigma;}{\mathrm{\&lambda;}}_i{\mathrm{\&Phi;}}_{ij}=-\underset{p_i\&Element;p}{\&Sigma;}{g}_i\left(p_j\right){\mathrm{\&Phi;}}_{ij},{\mathrm{\&Phi;}}_{ij}={\mathrm{\&phi;}}_{\mathrm{\&sigma;}}\left(\right||p_j-p_i|\left|\right)---\left(4\right)$

在公式(4)中，右侧已知。故可得到一个关于λ_i的稀疏线性方程组，利用迭代法可以求解该稀疏线性方程组，可获得未知数λ_i的值；

将计算得到的λi带入公式(2)中，即可根据输入的三维模型表面顶点集P获取其隐式曲面函数；

构建层次化点集{P^N＝P,...,P²,P¹}。首先把P拟合成一个平行六面体，然后把它和它的分组递归地细分到8个等大的象限。点集P由基于八叉树的平行六面体聚合；对于每一个单元格存在P里面的点，并通过平均化和归一化计算，将P的一个单位法线分配给质心；

多层次插值。构建层次化点集{P^N＝P,...,P²,P¹}之后，首先通过递归地方式定义插值基函数，如公式(5)：

f^k(x)＝-1,k＝0

(5)

f^k(x)＝f^k-1(x)+o^k(x),k＝1,2,...,N

其中当f^k(x)＝0时插值P^k，o^k(x)为补偿函数，计算公式为(6)：

$o^k\left(x\right)=\underset{p_i^k\&Element;P^k}{\&Sigma;}\&lsqb;g_i^k\left(x\right)+c_i^k\&rsqb;{\mathrm{\&phi;}}_{{\mathrm{\&sigma;}}^k}\left(\right||x-p_i^k|\left|\right)---\left(6\right)$

局部逼近曲面函数g_i(x)可通过对P^k应用最小二乘法拟合；权值c_i通过解线性方程组得到，使用预处理双共轭梯度法求解c_i。其中支撑半径σ^k+1＝σ^k/2，σ¹＝aL，L是边界平行四边形对角线的长度，参数a使边界框的八分圆总是被一个半径σ¹的球覆盖，在多次实践中发现a＝0.75时效果最好。通常细分级别N通过σ⁰和σ¹确定，且当时可以得到比较好的结果。如图3a)是原始模型，图3b)是经过模型重建后的效果图，很明显修补了模型的漏洞。

其中，使用拉普拉斯方法对模型进行平滑处理。

将顶点的三维位置向周围顶点的重心位置移动，使顶点与周围顶点差距最小化。对于模型上的每一个点，根据周围顶点的位置信息，重新计算该点的空间位置。拉普拉斯平滑公式如公式(7)所示：

$\stackrel{\&OverBar;}{x_i}=\frac{1}{N}\underset{j=1}{\overset{N}{\&Sigma;}}{x}_j---\left(7\right)$

N为当前点周围的顶点个数，为第i个顶点的新坐标。如图4a)是平滑处理前的模型，图4b)是处理后的效果图，很明显通过此方法实现了对模型的平滑处理。

其中，步骤(3)中边曲率及面积误差的边折叠简化方法边曲率及面积误差的计算方法如下：

如图5a)所示，边曲率的计算方式为：

$E_c=\mathrm{\&beta;}(1-cos\mathrm{\&alpha;})=(\frac{l}{h_1}+\frac{l}{h_2})(1-n_1{n}_2)---\left(8\right)$

其中l＝||q-p||，表示点q与点p之间的距离，h_i＝d{v_i,e}，表示点v_i到边e的距离，β表示一个系数，n₁，n₂分别表示面(v₁,q,p)和面(v₂,p,q)的法向量，α表示两个法向量的夹角。

如图5b)所示，面积误差的计算方式为：

设三角形旋转的角度为θ，则由删除一个面t所产生的误差Q_t为：

Q_t＝l_t×θ(9)

其中l_t＝(A₁+A₂)/2，A₁为三角形t＝(v₀,v₁,v₂)的面积，A₂为三角形t'＝(v,v₁,v₂)的面积。令θ＝1-n_tn_t'，其中n_t表示面t的法向量，n_t′表示面t′的法向量。则删除边e所产生的面积误差E_a为：

$E_s=\underset{t\&Element;P}{\&Sigma;}{Q}_t---\left(10\right)$

其中P是与v₀相连的所有三角面片的集合。

综上所述，边折叠代价的计算公式为公式(11)：

E＝E_c+E_s(11)

其中，步骤(3)中采用交互式方法保留人物头部模型的细节特征的过程为：

步骤(3.1)：令人物头部模型中的保留区域边的集合为P＝{e_i'},其中i＝0,1,2,…,c，c表示保留边的总条数；计算非保留边的折叠代价E_j以及非保留边折叠代价的平均值其中j表示第j条非保留边；n表示非保留边的总条数；

步骤(3.2)：令其中表示需要保留的边的折叠代价，(rand()+0.3)表示E的随机权重；根据折叠代价排序，从小到大进行边折叠操作。

如图6a)是原始模型，有20921个点，41261个三角面片。图6b)，图6c)，图6d)采用本发明中提出的保留模型细节特征的简化方法，保留了眼和鼻子周围的细节特征。图6b)有3640个点，7986个三角面片，简化率为80％；图6c)有1916个点，3799个三角面片，简化率为90％；图6d)有1014个点，1995个三角面片，简化率为95％。由图6b)～图6d)可以看出本发明中的保留模型细节特征的方法有效的保留了模型的细节特征。

模型融合过程如图7a)所示，步骤(4)人物头部模型与人体躯干模型融合的过程为：

步骤(4.1)：根据人物头模型和人体躯干模型的边界边分别进行确定各自的融合区域，确定融合区域F¹，F²，并映射到二维空间H¹，H²；

步骤(4.2)：将H¹，H²合并，得到H^c；采用FCF方法对H^c中的各个点进行重构融合曲面F^c，得到人物头部模型与人体躯干模型融合的曲面；

步骤(4.3)：根据人物头部模型与人体躯干模型融合的曲面进行自动融合人物头部模型与人体躯干模型，构建出层次性人体模型。

其中，H^c包括两类顶点:一类是直接由F¹，F²继承来的原始的顶点，另一类是通过交叉计算新生成的点。如图7b)，本方法对非均匀三次b样条曲线插值算法f(s)中的s进行了改进，用于控制模型的融合。

F^c的顶点v^c的坐标为：

v_c＝f(s)v¹+(1-f(s))v²

其中，v¹表示v^c在F¹上的坐标，v²表示v^c在F²上的坐标，s＝1-l/L，l为点到H^c下边界的距离，L为上下边界的距离。

如图8所示，使用本发明中的融合方法实现了模型之间的自动融合，融合之后不会丢失模型的细节特征，而且原边界边区域融合之后非常平滑。基于边界边的融合方法，模型的融合区域的大小是可控的，因为融合而产生的新的顶点对模型的复杂度影响不大，可以忽略不计，如图8模型融合前有3740个点，融合后3934个点，只生成了不到200个点。本发明的融合方法不会过多的改变模型的复杂度，仍然可以使模型保持其融合前的规模等级。

最后，构建出层次化人体模型数据库并应用于群体仿真中。可以模拟600个人的人群在教学楼内紧急疏散的场景。使用LOD方法，当视点距离小于40时使用精细的人体模型(有43261个三角面片)，当视点距离大于40小于100时使用中等精度的模型(有3216个三角面片)，当视点距离大于100时使用粗糙的模型(有1046个三角面片)。场景中使用的是最复杂的模型。其中使用LOD方法的平均帧率为22FPS，而使用最复杂模型的帧率只有7.5FPS。可见在群体仿真中构建层次化模型库可以有效的提升系统的性能。

本发明提出的基于Kinect具有真实感个性化的人物建模方法既能重建高真实感的个性化人物模型，又能提高建模速度，增加模型多样性。通过本发明中的方法重构的人物模型不仅具有很高的真实感，而且模型复杂度低，使用本发明中的方法构建的LOD人物模型数据库能够有效的提高人群疏散的效率。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种人物分段建模方法，其特征在于，包括：

步骤(1)：使用三维扫描仪采集人物头部点的云数据，构建人物头部模型；

步骤(2)：对构建的人物头部模型进行预处理，得到预处理后的人物头部模型；

步骤(3)：采用基于边曲率及面积误差的边折叠简化方法来简化预处理后的人物头部模型，且采用交互式方法进行保留人物头部模型的细节特征；

步骤(4)：对步骤(3)得到的人物头部模型与人体躯干数据库中的人体躯干模型进行匹配及融合，最终得到完整的人体模型。

2.如权利要求1所述的一种人物分段建模方法，其特征在于，所述步骤(2)中预处理的具体过程为：

步骤(2.1)：将构建人物头部模型的拓扑结构映射到图上，采用图论的方法去除人物头部模型中的碎片，得到去除碎片的人物头部模型；

步骤(2.2)：判断去除碎片的人物头部模型中是否存在漏洞，若存在，则采用支撑径向基函数的层次化方法对人物头部模型进行修补，采用拉普拉斯方法对漏洞修复后的人物头部模型进行平滑处理；

若不存在漏洞，则采用拉普拉斯方法对无漏洞的人物头部模型进行平滑处理。

3.如权利要求2所述的一种人物分段建模方法，其特征在于，所述步骤(2.1)的具体过程为：

步骤(2.1.1)：将构建人物头部模型的拓扑结构映射到图上，初始化人物头部模型的拓扑结构；

步骤(2.1.2)：采用图的深度遍历方法遍历图G，保留最大的连通图G_max；

步骤(2.1.3)：通过G_max重构人物头部模型，实现人物头部模型的去除碎片处理。

4.如权利要求2所述的一种人物分段建模方法，其特征在于，所述步骤(2.2)中采用支撑径向基函数的层次化方法对人物头部模型进行修补的过程为：

在人物头部模型中随机获取若干个点，并同时获取每个点所对应的法向量，将人物头部模型的表面转化成隐式表面；

将人物头部模型的表面顶点集合拟合成一个平行六面体，然后把表面顶点集合和表面顶点集合的分组递归地细分到8个等大的象限，构建出层次化点集；

对构建的层次化点集不同层次采用不同的插值基函数进行多层次插值，最后实现对人物头部模型的恢复。

5.如权利要求2所述的一种人物分段建模方法，其特征在于，所述步骤(2.2)中采用拉普拉斯方法来平滑处理人物头部模型的过程为：

采用拉普拉斯方法将人物头部模型中顶点的三维位置向周围顶点的重心位置移动，使顶点与周围顶点差距最小化；

对于人物头部模型上的每一个点，根据周围顶点的位置信息，重新计算人物头部模型上相应点的空间位置来对人物头部模型进行平滑。

6.如权利要求1所述的一种人物分段建模方法，其特征在于，所述步骤(3)中采用交互式方法保留人物头部模型的细节特征的过程为：

步骤(3.1)：根据人物头部模型中的保留区域边的集合，计算非保留边的折叠代价以及非保留边折叠代价的平均值；

步骤(3.2)：需要保留的边的折叠代价等于非保留边折叠代价的平均值与该平均值的随机权重的乘积，根据需要保留的边的折叠代价排序，从小到大进行边折叠操作。

7.如权利要求6所述的一种人物分段建模方法，其特征在于，所述折叠代价等于人物头部模型中的保留区域的非保留边的边曲率与保留区域中删除该条非保留边后的面积误差之和。

8.如权利要求1所述的一种人物分段建模方法，其特征在于，所述步骤(4)人物头部模型与人体躯干模型融合的过程为：

步骤(4.1)：根据人物头模型和人体躯干模型的边界边分别进行确定各自的融合区域，确定人物头模型融合区域F¹和人体躯干模型融合区域F²，并分别映射到二维空间H¹，H²；

步骤(4.2)：将二维空间H¹，H²合并，得到二维空间H^c；采用FCF方法对二维空间H^c中的各个点进行重构融合曲面F^c，得到人物头部模型与人体躯干模型融合的曲面；

步骤(4.3)：根据人物头部模型与人体躯干模型融合的曲面进行自动融合人物头部模型与人体躯干模型，构建出层次性人体模型。

9.如权利要求1所述的一种人物分段建模方法，其特征在于，所述步骤(1)中3D扫描仪为Kinect3D扫描仪。

10.如权利要求8所述的一种人物分段建模方法，其特征在于，所述步骤(4.2)中采用FCF方法对二维空间H^c中的各个点进行重构融合曲面F^c的过程为：

首先，计算融合曲面F^c的顶点v^c分别在F¹上的坐标v¹以及在F²上的坐标v²；

然后，根据v_c＝f(s)v¹+(1-f(s))v²，得到融合曲面F^c的顶点v^c的坐标，其中，f(s)表示非均匀三次b样条曲线插值算法。