论文部分内容阅读
运动恢复结构(StructurefromMotion，SfM)是从图像集中重建场景结构(即三维空间点)和计算相机运动(即相机位姿)的一系列方法,其主流方法分为增量式重建和全局式重建。首先,对这两种重建方式而言,图像的特征点匹配是耗时最多的阶段,尤其是当图像集中的图像之间没有匹配顺序的先验信息(即无序图像集)的时候,所有图像之间都需要两两匹配。其次,相对于全局式重建,增量式重建的优势是重建精度高、对外点(Outlier)鲁棒,缺点是耗时、依赖初始图像对的选择及无法闭环;相对于增量式重建,全局式重建的优势是重建速度快、能准确闭环,缺点是重建精度不高、对外点不鲁棒。快速、闭环、精度高的重建方法就显得尤为重要。在2017年提出的混合式SfM(Hybrid SfM，HSfM)的基础上,本文针对以上两个问题提出了如下改进方法:1)在特征点匹配阶段提出了基于场景几何结构约束及特征不变尺度变换(Scale Invariant Feature Transform，SIFT)数值统计特征的 SIFT 匹配算法GeoMatch(Geometric structure and SIFT-based Matching algorithm)。实验表明,与传统的基于树和哈希的匹配方式相比,GeoMatch在时间和准确度上都优于传统匹配算法。2)在旋转估计阶段提出了基于贝叶斯推理网络的View Graph边权的计算方法和基于贝叶斯推理网络的团体图(Community Graph，CG)边权更新算法,并提出了随机最大生成树(Stochastic Maximum Spanning Tree，SMST)算法来过滤旋转估计中的外点。实验表明,这些改进能更鲁棒地估计相机旋转。3)在以上两点改进的基础上形成了原型系统SMSfM(Stochastic Maximum spanning tree-based SfM)，该系统在多个场景的测试均表现出了良好的重建质量和时间性能。