No abstract

ResumenEn el proceso de reconocimiento de N.N. se requiere implementar el uso de nuevas herramientas que faciliten el proceso. La extracción de información 3D de objetos por perfilometría por proyección de franjas (PPF) brinda una solución práctica y de bajo costo que evita la manipulación excesiva de la evidencia, alta precisión y fácil manipulación digital. Sin embargo, la PPF genera una nube de puntos altamente densa que dificulta la correcta visualización y el procesamiento posterior. El presente artículo se centra en definir y evaluar un proceso de optimización que permita reducir el número de puntos de manera selectiva minimizando la perdida de información 3D. El submuestreo adaptativo se basa en el criterio de curvatura y posee como criterios: 1) Generar un mallado isotrópico; 2) Ajustar la densidad de facetas triangulares en función de la curvatura y 3) Reducir el número de vértices. Se definió como criterio de comparación entre remallados la suma total de distancias mínimas entre los vértices del mallado de entrada y las facetas triangulares más cercanas para un remallado obtenido al aplicar n veces el algoritmo de optimización. Para la sección frontal del cráneo estudiado después de aplicar 31 iteraciones cumplían las condiciones de optimización reduciéndose en un 41% el número de vértices, sin mucha perdida de información metrológica. El proceso se realizó a nueve secciones, obteniéndose una imagen 3D completa del cráneo humano que servirá de base para la implementar reconstrucciones faciales digitales aplicadas a la identificación forense en el reconocimiento de cadáveres.Palabras Clave: Reconstrucción 3D, Proyección de Franjas, Mallado adaptativo. AbstractIn recognition process of N.N., it is required to implement the use of novel tools that facilitate the process. The 3D information extraction of objects by fringe projection perfilometry (FPP) provides a practice solution and low cost that avoid the excessive manipulation of evidence, high accuracy and easy digital manipulation. However, the FPP produces a point cloud highly dense that difficult the correct visualization and the further processing. This article is focused in defining and evaluating an optimization process that allows reducing the points number by selective way, minimizing 3D information loss. The adaptive subsampling is based in the curvature and has as criterions: 1) Producing an isotropic mesh; 2) adjusting the density of triangular faces in function of the curvature and 3) reducing the vertexes number. It was defined like standard comparison between remeshes the total sum of minimum distances between vertexes of input mesh and the triangular faces nearest for a calculated remesh when applying n times the optimization algorithm. For the frontal section of the studied skull after applying 31 iterations fulfill the optimization conditions to get reduce in 41% the vertexes number, with a low metrological information loss. The process was carried out to nine sections, getting a full 3D image of human skull that it will be the base to...