学位论文 > 优秀研究生学位论文题录展示

基于非定标图像序列的三维重建关键技术研究

作　者: 陈付幸
导　师: 王润生
学　校: 国防科学技术大学
专　业: 信息与通信工程
关键词: 三维重建自定标基础矩阵鲁棒性消失点高斯混合模型 EM算法 SMEM算法 RANSAC算法 PERANSAC算法
分类号: TP391.41
类　型: 博士论文
年　份: 2005年
下　载: 859次
引　用: 9次
阅　读: 论文下载

内容摘要

随着计算机技术及网络技术的迅速发展,对物体或景物三维模型的需求越来越多。基于非定标图像序列的三维重建方法具有成本低廉、操作简单、真实感高等优点,已成为计算机图形学和计算机视觉等领域研究的热点之一。基于非定标图像序列三维重建研究涉及的关键技术有:特征匹配、基础矩阵估计、稠密匹配、相机自定标、欧氏重建等。在三维重建中,基础矩阵和相机自定标是两个核心概念,模型参数估计和三维重建实现是主要研究内容。本文将对相关内容进行重点研究。随机抽样一致性(RANSAC)算法是一个经典的鲁棒性模型参数估计方法,本文提出了基于预检验的快速随机抽样一致性(PERANSAC)算法,通过对模型参数预检验,在保证计算结果置信度的基础上,删除明显错误的模型参数,减少参与检验的模型参数数量,进而提高算法的整体效率。在讨论了影响基础矩阵估计的非算法因素,详细研究了匹配点稳定性对基础矩阵估计的影响后,提出两个Robust基础估计算法:基于PERANSAC的估计算法和基于聚类分析的估计算法。后者在假设基础矩阵估计余差满足高斯混合分布的基础上,用改进的分裂合并EM算法,从聚类分析的角度对基础矩阵鲁棒性估计进行研究。两种算法都取得了较好的性能,由于基于聚类分析的方法更好地描述了基础矩阵估计余差的真实分布,性能优于基于PERANSAC的算法。在相机自定标技术的研究中,首先,在讨论利用和选择景物约束的基础上,提出两个新的消失点估计算法:基于PERANSAC的估计算法和基于聚类分析的估计算法,后者在估计精度上优于前者;其次,提出了综合利用空间平行线约束和相机主点位置约束的线性迭代自定标方法,提高了相机自定标的鲁棒性。论文最后实现了基于非定标图像序列的三维重建实验系统,分析了三维重建系统设计中应注意的问题,展示了部分真实场景的三维重建结果。论文中提出的各种方法和算法分别应用于模拟数据或真实图像数据,都获得了较为满意的实验结果。

全文目录

摘要  12-13
ABSTRACT  13-15
第一章绪论  15-22
  1.1 课题研究背景  15-16
  1.2 课题相关研究  16-19
    1.2.1 关键技术及研究现状  17-19
    1.2.2 当前研究面临的问题  19
    1.2.3 需要重点研究的内容  19
  1.3 论文的主要工作  19-20
  1.4 论文内容安排  20-22
第二章射影几何与成像模型  22-33
  2.1 概述  22-23
  2.2 射影几何基本概念  23-25
  2.3 二维空间  25-28
    2.3.1 二维空间的层次结构  25-26
    2.3.2 二维射影空间中的元素  26-28
  2.4 三维空间  28-31
    2.4.1 三维空间的层次结构  28-29
    2.4.2 三维射影空间中的元素  29-31
  2.5 成像模型  31-32
    2.5.1 透视投影  31-32
  2.6 小结  32-33
第三章基于预检验的快速随机抽样一致性算法  33-44
  3.1 概述  33-34
  3.2 RANSAC 算法  34-37
    3.2.1 RANSAC 算法思想  34-35
    3.2.2 RANSAC 算法步骤  35
    3.2.3 RANSAC 算法的计算量  35-37
  3.3 PERANSAC 算法  37-41
    3.3.1 算法核心思想  37-38
    3.3.2 预检验过程  38-39
    3.3.3 PERANSAC 算法减少的计算量  39-40
    3.3.4 PERANSAC 算法步骤  40-41
  3.4 实验  41-43
    3.4.1 仿真实验  41-42
    3.4.2 实验验证  42-43
  3.5 小结  43-44
第四章基础矩阵研究  44-75
  4.1 概述  44-45
  4.2 基础矩阵概论  45-53
    4.2.1 对极几何和基础矩阵  45-46
    4.2.2 常见的基础矩阵估计算法  46-53
    4.2.3 结论  53
  4.3 影响基础矩阵估计的非算法因素  53-60
    4.3.1 特征点筛选  54
    4.3.2 协方差矩阵  54-55
    4.3.3 引入协方差矩阵的基础矩阵估计方法  55-56
    4.3.4 实验  56-60
    4.3.5 结论  60
  4.4 基于PERANSAC 的基础矩阵估计算法  60-66
    4.4.1 算法步骤  60-61
    4.4.2 实验  61-66
    4.4.3 结论  66
  4.5 基于聚类分析的基础矩阵估计算法  66-73
    4.5.1 匹配点估计余差及高斯混合模型  67-68
    4.5.2 改进的分裂合并EM 算法  68-70
    4.5.3 分类后正确匹配点的选择  70-71
    4.5.4 算法步骤  71
    4.5.5 实验  71-73
    4.5.6 结论  73
  4.6 小结  73-75
第五章相机自定标技术研究  75-104
  5.1 概述  75-76
  5.2 相机自定标基础  76-78
    5.2.1 相机模型  76
    5.2.2 绝对二次曲线和绝对二次曲面  76-77
    5.2.3 单应矩阵(Homography)  77-78
  5.3 相机自定标技术概论  78-86
    5.3.1 基于相机自身约束的自定标  79-82
    5.3.2 基于运动约束的自定标  82-83
    5.3.3 基于景物约束的自定标  83-85
    5.3.4 结论  85-86
  5.4 基于消失点的相机自定标  86-90
    5.4.1 消失点  86-88
    5.4.2 基于消失点的相机自定标  88-89
    5.4.3 直线提取和筛选  89-90
  5.5 基于PERANSAC 的消失点估计算法  90-94
    5.5.1 算法步骤  90-91
    5.5.2 实验  91-94
    5.5.3 结论  94
  5.6 基于聚类分析的消失点估计算法  94-99
    5.6.1 高斯混合分布模型  94-95
    5.6.2 正确类别的选择及消失点估计  95-96
    5.6.3 算法步骤  96
    5.6.4 实验  96-98
    5.6.5 结论  98-99
  5.7 综合多约束信息的线性迭代自定标方法  99-103
    5.7.1 多约束线性迭代方法  99-101
    5.7.2 实验  101-102
    5.7.3 结论  102-103
  5.8 小结  103-104
第六章三维重建及应用  104-115
  6.1 概述  104-105
  6.2 射影重建算法  105-107
    6.2.1 基于多视角几何关系的方法[61, 100]  105-106
    6.2.2 分解算法  106-107
  6.3 欧氏重建算法  107-108
  6.4 三维重建系统  108-111
    6.4.1 系统流程  108
    6.4.2 模块功能及实现  108-110
    6.4.3 系统设计中应该注意的问题  110-111
  6.5 实验  111-113
    6.5.1 实验1  111-112
    6.5.2 实验2  112
    6.5.3 实验3  112-113
  6.6 小结  113-115
第七章结束语  115-117
  7.1 主要研究成果及创新点  115-116
  7.2 工作展望  116-117
致谢  117-118
参考文献  118-129
攻读博士期间已撰写和发表的论文  129-130
攻读博士期间参加的科研任务  130

基于非定标图像序列的三维重建关键技术研究

内容摘要

全文目录

相似论文