应用传统重建算法进行表面重建时,重建三维表面的精度和完整度会受到所获得的点云数据质量的严重影响。进行三维表面重建时,首先需要获取包含物体空间信息的点云数据。但是在获取物体表面的点云数据时,由于待重建的物体可能会受到遮挡或物体本身存在缺陷等因素的影响,导致获取的点云数据存在缺失现象,使重建的三维表面出现孔洞,重建完成后还需要进行孔洞修补。近年来,深度学习在图像识别、目标检测等方面进行了广泛的应用并取得了良好的效果,本文引入深度学习中目标检测方法用于提升表面重建的精度和完整度。利用深度学习进行三维表面重建作为机器视觉领域研究的热点之一,近些年发展迅速。与传统的基于点云的重建方式不同,本文采用多视图数据集进行表面重建。表面重建过程中通过CNN卷积神经网络对不同视图进行特征点云提取,通过多维矩阵进行点云数据的保存;利用网络进行不同视图特征点的匹配,网络中采用Chamfer算法与EMD算法提升点云数据的匹配效率和精度;通过网络中的3DConv进行三维点云的空间映射,重建出三维点云模型。为了加速表面重建过程中的计算问题,结合并行计算技术CUDA对表面重建算法进行优化,降低了表面重建的耗时,提升表面重建的效率。论文的主要工作如下:1.针对表面重建模型,本文应用卷积网络提取特征点云,针对不同视图对应的特征点云,利用网络学习不同点云间的距离,对不同点云进行相似性度量。通过标准的阈值距离对学习的距离进行约束,将小于阈值距离的点云叠加至初始点云集中,形成完整的三维点云模型。2.针对点云匹配精度问题,本文引入Chamfer距离与EMD算法,度量不同点云分布间的距离,使重建表面的细腻度、纹理与真实表面更接近,可使重建表面的完整度最高可达99%以上。与传统点云重建相比,利用少量视图(16张视图)进行表面重建时,基于该方法的重建结果中未出现孔洞现象。3.针对重建算法中存在的耗时部分,本文利用GPU技术进行加速训练,采用CUDA编程模型对表面重建算法进行优化。分析比较了利用CUDA技术加速前后算法的平均重建时间及加速比。实验表明,本文给出的基于CNN卷积神经网络的多视图表面重建算法能重建出完整度较高的三维表面。利用卷积神经网络的预测功能,重建表面未出现孔洞。采用CUDA的并行计算技术,加速了表面重建速度,有效节省了时间成本。