多視圖圖像三維重建若干關鍵技術研究.pdf

1、多視圖圖像三維重建技術就是從圖像或圖像序列中獲取場景及場景中對象的三維模型，是計算機圖形學和計算機視覺領域解決三維建模的手段之一，它對提高三維真實感建模及實時大規(guī)模復雜場景三維建模有非常重要的現(xiàn)實意義。目前其研究成果已應用于醫(yī)學成像、數(shù)字化城市、機器人自主導航及數(shù)字娛樂等領域。但多視圖圖像三維重建技術仍未成熟，在實際應用中還存在諸多問題。本文圍繞多視圖圖像三維重建的關鍵技術進行研究和探討，為多視圖圖像三維重建提供一些有效的解決方案，主要

2、研究內容包括圖像特征的提取與匹配，多視圖幾何約束關系的計算，魯棒性參數(shù)模型的估計，場景結構和攝像機運動的恢復，稠密表面的估計。本文的主要創(chuàng)新點如下：
　?。?）提出一種新的差分形態(tài)分解（Differential Morphological Decomposition， DMD）特征檢測和描述算法。該算法通過研究尺度空間理論的多尺度特征檢測算法的不足，利用差分形態(tài)分解構造金字塔尺度空間，去除噪聲和邊緣信息的干擾，并在不同的尺度圖像上

3、運用 Harris算子，檢測出尺度圖像上的特征點。然后將特征點進行分組，確保每組特征點只描述圖像的一個局部結構。在每一組中，本文根據空域內變化最強的角點值，同時加上尺度域的高斯拉普拉斯函數(shù)(Laplacian of Gaussian， LoG)值來選擇唯一的特征點來代表圖像的局部結構。最后運用PCA-SIFT方法對特征進行描述。實驗表明該算法在尺度變換、模糊變換和亮度變換的情況下，對局部不變特征點的檢測和描述都取得了較好的效果。

4、　?。?）提出基于序貫概率檢測(Sequential Probability Ratio Test, SPRT)及局部優(yōu)化技術的隨機抽樣一致性（Random Sample Consensus, RANSAC）算法。針對模型參數(shù)估計的速度和精度問題，本文對 RANSAC算法進行了優(yōu)化和改進。在RANSAC算法模型參數(shù)檢驗階段，利用SPRT來對模型進行預檢驗，先在數(shù)據集上隨機的抽取少量的數(shù)據點，并在這些數(shù)據點上執(zhí)行對模型的統(tǒng)計檢驗；只有當初

5、始的預檢驗通過，才在所有的數(shù)據點上執(zhí)行對模型的最終檢驗，否則不再對此模型進行檢驗。該方法優(yōu)化了模型檢驗過程，節(jié)約了大量數(shù)據對模型的檢驗，提高了RANSAC算法的速度。同時，當完成所有數(shù)據對模型的檢驗后，計算出與模型相一致的數(shù)據點。在得到所有可能的數(shù)據點集后，本文采用局部優(yōu)化技術，在得到的數(shù)據點集上局部執(zhí)行 RANSAC算法，由于此時的數(shù)據點集絕大多數(shù)與模型相一致，因而精度得到提高。實驗表明，本文提出的基于SPRT和局部優(yōu)化技術的RANS

6、AC算法運行速度和精度得到明顯的提高。
　?。?）提出基于塊預處理和嵌入點迭代（Embedded Point Iterations，EPIs）的共軛梯度光束法平差（Bundle Adjustment）算法。針對大規(guī)模場景三維重建時，光束法平差仍然是計算的主要瓶頸問題。本文采用共軛梯度算法實現(xiàn)光束法平差內部迭代，其主要計算過程只包含了一個簡單的矩陣、向量及雅可比行列式相乘，使得計算開銷減少。同時，通過利用光束法平差的最小二乘法特性，

7、本文采用了一種易于計算，基于塊預處理的QR因式分解預處理方法，減小每次迭代的計算量。改進后的算法只有標準共軛梯度算法約一半的計算量。為了更進一步提高運算速度，還使用EPIs辦法，在每一個攝像機標定階段運行EPIs，使得每個攝像機標定步驟開銷進一步減少。實驗表明該算法在大規(guī)模場景重建時，可節(jié)約大量計算時間及取得較好的優(yōu)化效果。
　?。?）提出一種深度圖生成稠密三維點云的方法，并針對稀疏三維點云，利用幾何約束和自適應提出改進的基于物方

8、面元多視圖立體視覺（ Patch-Based Multiview Stereo，PMVS）準稠密算法。首先，為了得到精確的表面，假定已知攝像機的位置和方向，本文在體空間上運用非線性全局最優(yōu)化來獲得圖像的深度圖，得到深度圖后，將深度圖中的每個像素反投影到一個三維空間中，產生一個稠密三維點云。根據這些點云，采用泊松重建方法，重建出場景的表面網格，然后將圖像紋理投影到表面網格上完成場景的表面重建。其次，針對未標定的多視圖圖像三維重建，從攝像機