论文部分内容阅读
近年来,随着计算机技术和图像处理技术的快速发展,图像匹配融合、人脸识别、虹膜识别、姿态识别、AOI(Automatic Optic Inspection、自动光学检测)技术、目标跟踪、三维重建等计算机视觉技术得到了极大的发展。计算机视觉是对人类视觉的模拟。现实世界都是三维的,人类的单目视觉如同相机,所获得的图像是二维的,但是人类视觉可以利用双目从两幅二维图像中感受三维信息。因此计算机视觉也可以实现从给定场景的两幅或多幅图像或者一段视频中,为该场景建立一个计算机模型或三维模型,也即三维重建。计算机视觉的研究主要强调的是二维图像与三维场景之间的联系。三维重建的主要框架,分为三个步骤:i)依据匹配点计算基础矩阵;ii)依据基础矩阵计算投影矩阵;iii)依据投影矩阵和匹配点计算相应的三维空间坐标点。其中匹配点的获得是三维重建应用的重要基础和前提,而且也是许多其它计算机视觉应用中必不可少的步骤之一。本文首先对计算机视觉中的三个重要内容,特征点匹配、相机标定和三维重建做了概述,接下来讨论了图像匹配包含的基本内容。在深入地研究了SIFT(Scale Invariant Feature Transform)匹配方法之后,总结分析了SIFT算法的优势与不足,提出了利用SIFT匹配点的边角点匹配算法。该算法借助于SIFT算法实现了多尺度的角点检测,并将通常角点匹配时的搜索范围由全局缩小到局部,有效地缩小了候选点的搜索区域,这样采用简单的特征向量描述方式便可实现较高的匹配精度。接下来我们利用SIFT匹配点估计基础矩阵,在相机标定的基础上,将基础矩阵转化为本质矩阵,依据矩阵分解理论,通过分解本质矩阵求解投影矩阵,最后重建匹配的角点,画出物体的简要轮廓,实现目标的三维重建。本文遵循三维重建的主要框架和步骤,针对匹配点的获得、投影矩阵的计算、相机标定进行了研究,最终实现了物体的三维重建。主要研究内容如下:1、提出了利用SIFT匹配点的边角点匹配算法,即首先利用SIFT算法计算匹配点,为弥补SIFT算法无法获得匹配的边角点这个不足,我们以SIFT匹配点为中心,在距离约束范围内计算匹配的角点。最后在不同类型噪声,不同强度噪声,不同尺度,不同旋转角度下进行了实验,结果证明该算法匹配性能良好。2、本文以SIFT匹配点为基础采用八点归一化算法估算基础矩阵,采用张正友标定法对相机进行标定后,将基础矩阵转化为本质矩阵,依据矩阵理论,对本质矩阵进行分解,确定旋转矩阵和平移向量,最终确定投影矩阵。通过重建角点,简要的描述物体轮廓,实现物体的三维重建。