论文部分内容阅读
多视图三维重建长期受到关注,在文物数字化,医疗卫生,工业零件设计,三维游戏等方面都有应用。稀疏点云重建方式主要有增量Structure-from-Motion(SfM)和全局SfM。由于增量SfM的光束平差调整优化容易累积误差,产生场景漂移现象,且对初始图像选取的好坏有一定的依赖性,多次的捆绑调整也增加了稀疏点云重建的时间。虽然全局SfM通过构建三视图进行相对平移向量优化和全局位置求解,再进行一次光束平差调整优化,消除了误差积累和场景漂移现象,使得稀疏点云重建时间较快,但其稀疏点云重建的精度和完整性比增量SfM差,不同的图像数据集也会导致全局SfM重建的失败。针对这两种重建方式的优缺点,本文提出一种混合式的稀疏点云重建方法,先通过增量计算获得相对和全局外参参数矩阵,然后将其作为初值传入全局目标函数中进行优化,再通过三角化和三次光束平差调整优化输出精确的稀疏点云。经实验对比验证,本文提出的混合SfM稀疏点云重建方法具有更稳定更鲁棒的重建质量,点云准确性更高,误差更小。本文研究的内容如下:1.对有限摄像机模型,单应矩阵、本质矩阵及其求解进行了研究。对SfM点云重建进行探索,阐述了二视图三角化求解空间三维点的方法,深度信息估计,相机位姿求解及优化方法,例如Perspective-n-Point(PnP),DLT直接线性变换,光束调整优化等,并对求解Bundle Adjustment(BA)的方法进行了例子推导。2.对相似性搜索进行了研究。阐述了获取关键点的Scale-Invariant Feature Transform(SIFT)算法,进行匹配的Fast Library for Approximate Nearest Neighbor(FLANN)算法,并重点讨论了精匹配中A Contrario-RANdom SAmple Consensus(AC-RANSAC)与RANSAC的区别。3.对SfM稀疏点云重建方法进行了研究。在第一章中简单介绍了增量SfM、全局SfM重建过程与步骤,针对两种重建方式的优缺点,提出了一种新的混合式SfM稀疏点云重建方法,并在第四章中详细说明了该混合式SfM稀疏点云重建方法的细节,重建流程与步骤,增量计算旋转和平移矩阵的方法,以及全局目标函数优化求解。本文采用开源框架和开源图像数据集开展混合SfM研究,使用SIFT算子进行特征检测,使用FLANN方法进行粗匹配,并采用k-dimensional-tree(kd)算法构建特征描述子搜索树,利用K-Nearest Neighbor(KNN)邻域搜索相似点,在精匹配和BA优化中使用AC-RANSAC进行阈值自适应获得鲁棒的相关估计矩阵。本文最后对三种重建方法进行实验对比分析,实验结果表明本文的混合式稀疏点云重建方法在稳定性、鲁棒性、准确性和可行性方面具有一定的优势。