论文部分内容阅读
本文主要研究了如何通过基于图像序列的三维重建算法,获得高质量的物体点云。其目的在于通过对图像序列的分析,获取高完整度和具有正确纹理细节的物体模型的稠密点云。目前虽然基于图像序列的三维重建算法流程较为成熟,但是其效果却常常不尽人意。通过传统算法求得的稀疏点云和稠密点云均无法满足重建要求,往往最终获取的点云从空间结构来说就是不完整的,即无法完整的表达物体的空间信息,点云中会有很多缺失,这通常是由于难以从物体纹理稀疏的区域获得更多的匹配特征点对所造成的。同时,由于传统的重建过程中计算得到了位置错误的点导致了点云本身具有大量杂乱的错点。而低质量的点云直接导致了最终重建的物体模型无法满足要求。因此,本文算法的主要工作在于填补了点云的空缺,增加了点云的稠密度,过滤了错误的点云,同时对新增加的点云映射了正确的色彩纹理。首先,本文提出了基于局部一致性匹配的点云增长算法。该算法基于通过传统三维重建算法获取的相机变换矩阵和图像序列对点云和图像进行处理。通过本文根据三维重建拍摄时两帧之间图像变化较小的假设提出的基于一致性的匹配算法,能够获取大量的图像匹配特征点对。这些匹配点对经过本文提出的基于成像模型的点云映射算法,能够被映射到三维空间的真实位置中,并且在一定程度上对匹配特征点对进行了过滤。最后配合基于轮廓的点云过滤算法,能够得到足够稠密,并且填补了原始点云空缺部分的目标物体点云,该点云能完整地表现物体模型在三维空间中的结构信息。然后,为了对获取的点云赋予正确的颜色,本文提出了点云色彩重映射算法。该算法基于对点云反投影来校正点云色纹理色彩。在点云反投影的过程中,会出现物体一面的点云穿过另一面错误的投影在相机成像平面上的问题,因此,为了处理该情况中引入的噪声,本文提出了基于均值的噪声过滤算法。而为了解决基于均值过滤噪声所带来的物体点云纹理边缘模糊的问题,本文在此基础上再次提出了双向验证法,通过结合双向验证法,最终在过滤了所有噪声的情况下,保留了高频纹理细节,获得了高质量的点云纹理信息。通过本文提出的算法,能够解决传统重建算法中,物体表面点云由于局部特征稀疏的问题所导致的点云缺失。同时,在本文算法的处理下,点云的色彩纹理获得了校正,得到了真实清晰的纹理信息。最终,通过在一系列的测试图像上的重接结果验证了本文提出的算法能够得到足够稠密,色彩正确,纹理信息清晰,能够完整反映物体结构和特征的高质量点云模型。