论文部分内容阅读
基于多视图的三维重建是计算机视觉领域的研究热点,在文物保护、虚拟现实、军事作战、医学诊疗等领域都有广阔的应用场景。常见的物理对象通常都会包含弱纹理区域,且弱纹理具有颜色单一、纹理重复、点线特征少、灰度值区别小的特点。当重建对象弱纹理区域的比例较高时,由于图像特征点提取难度大、特征配准精度低、重建时位姿估计误差迭代,模型漂移的问题,现有三维重建方法难以有效地进行特征匹配和三维点云扩展。本文针对包含大量弱纹理区域物体的三维重建算法展开研究,主要工作如下:(1)针对弱纹理图像特征点提取难度大、特征配准精度较低的问题,提出了基于距离与纹理归一化互相关系(Distance and Texture combining Normalized Cross Correlation,DTNCC)的特征提取与匹配。首先结合欧氏距离和纹理特征得到DTNCC归一化互相关系数。其次利用弱纹理区域的自相似性,设计基于DTNCC的最优半径特征点提取算法,提取弱纹理目标更为稠密的特征点。最后利用DTNCC分类出扩散特征队列,在视差梯度和最大向量角的约束下进行扩散匹配,提升特征匹配点对的数量和精确度。(2)针对增量式运动恢复结构(Structure From Motion,SFM)过程中,模型漂移、优化误差效率低的问题,本文提出一种基于弱纹理多视图的SFM优化算法。首先针对重建时弱纹理图像位姿估计误差,采用基于区域曲率二进制描述符(Regional Curvature Binary Descriptor,RCBD)的配准方法对局部误差点云进行配准。在重构达到一定规模后,使用全局捆绑调整消除点云生成过程中存在的偏差,显著提升修正模型漂移的效率和效果。(3)实现基于弱纹理多视图的三维重建,并通过实验验证其在文物保护领域的可行性。采用基于DTNCC的特征提取与匹配为SFM提供高质量的初始参数。采用基于弱纹理多视图的SFM优化算法解决相机位姿求解时的误差累积,减少优化误差时间。该方法能够完成弱纹理目标的点云场景和曲面场景重建,为文物的数字化保护、重建、研究、修复等方面提供了新的研究思路和技术支撑。