学位论文 > 优秀研究生学位论文题录展示

基于序列图像的三维重建算法研究

作　者: 彭科举
导　师: 刘云辉
学　校: 国防科学技术大学
专　业: 信息与通信工程
关键词: 三维重建图像序列迭代最近点射影深度智能车辆
分类号: TP391.41
类　型: 博士论文
年　份: 2012年
下　载: 784次
引　用: 0次
阅　读: 论文下载

内容摘要

计算机视觉主要研究如何利用计算机实现人的视觉功能，即利用二维投影图像实现对客观世界三维场景的感知、识别和理解。随着计算机技术的迅速发展，人们对三维模型的需求越来越多。基于序列图像的三维重建方法具有成本低廉、操作简单、真实感强等优点，已成为计算机视觉领域的研究热点之一。本文研究了基于序列图像的三维重建的相关算法，系统总结了作者在基于两幅图像的三维重建、基于多幅图像的三维重建、稠密重建以及三维重建的实际应用等方面所做的研究和取得的成果。(1)提出了一种基于SIFT(Scale Invariant Feature Transform，尺度不变特征变换)特征和角点特征相结合的三维重建算法。本文算法的基本思想是：SIFT特征点匹配比较准确但是很多匹配点对并不是三维重建所需要的点，而角点更能表达物体的真实形状，在SIFT特征点的基础上加入物体的角点特征，二者取长补短，使得重建结果在细节上更加突出，同不利用角点特征计算出的结果相比，二者结合后的重建物体真实感更强，更接近真实物体。(2)提出了一种基于射影深度求解及简化ICP(Iterative Closest Point，迭代最近点)算法的序列图像三维重建算法。本文从几何意义的角度进行考虑，根据重构的多义性原理，得出一个关于射影深度及重建三维点比例系数之间关系的推论并由推论的证明过程实现了基于序列图像的三维重建。同时，为了避免误差累积，提出用简化迭代最近点算法校正重建结果。同基于顺序方法的序列图像三维重建相比，由于本文算法相当于对基于两幅图像的重建结果进行叠加，每两幅图像的重建结果之间不受前面结果的影响，从而有效避免了误差累积问题；与传统的基于矩阵分解的序列图像三维重建算法的不同之处在于本文算法不要求重建点在所有图像中均可见，从而可以在保证有足够多匹配点的情况下重建出目标的完整形状。(3)提出利用稠密点进行网格化所形成的三角形的平均周长剔除误匹配，在特征点数量比较多的情况下，避免了重复计算比较耗时的基础矩阵，在不影响重建质量的前提下，有效加快了重建结果优化速度。本文研究了基于区域增长的稠密匹配算法，利用优化后的SIFT匹配点作为区域增长的种子点，大大提高了稠密匹配的准确度。本文还推导了序列图像相对同一参考坐标系的投影矩阵求解公式，从而可以将本文算法与目前效果最好的多视图重建算法相结合，解决了拍摄过程中由于光照不一致而影响重建效果的问题。(4)提出考虑相机安装误差情况下基于单目摄像机的车辆行进方向与道路之间夹角的检测方法，同时，为了便于对比，根据三维重建原理利用双目视觉方法完成了对车辆行进方向与道路之间的夹角检测。本文利用机器视觉知识运用几何方法计算出了实际偏离角度，在假设相机与地面成一定角度的情况下计算了车辆行进方向与道路的夹角，并在实际拍摄的场景中验证了算法的有效性。本文算法的突出优势是相机距地面的高度以及俯仰角和水平偏转角不需要实际测量，完全由计算得到，从而进一步减少了测量误差。

全文目录

摘要  10-12
Abstract  12-14
第一章绪论  14-32
  1.1 课题研究背景  14-16
  1.2 国内外研究进展  16-28
    1.2.1 立体视觉国内外研究动态  18-21
    1.2.2 比较成熟的三维重建系统  21-22
    1.2.3 三维重建技术的发展  22-23
    1.2.4 三维重建研究的主要方法  23-26
    1.2.5 双目立体视觉实现三维重建的一般步骤  26-28
  1.3 本文主要工作和创新点  28-30
  1.4 论文结构  30-32
第二章射影几何与成像模型  32-42
  2.1 射影几何  32-38
    2.1.1 射影几何基本概念  32-34
    2.1.2 变换的层次  34-36
    2.1.3 分层三维重建  36-38
  2.2 相机成像模型  38-42
第三章基于 SIFT 特征和角点特征的三维重建  42-61
  3.1 算法概述  42-43
  3.2 SIFT 特征点提取与匹配  43-47
    3.2.1 图像多尺度表示  43-44
    3.2.2 SIFT 算法步骤  44-47
  3.3 对极几何与基础矩阵  47-50
    3.3.1 对极几何  48-49
    3.3.2 基础矩阵  49
    3.3.3 基础矩阵的计算  49-50
  3.4 角点检测与匹配  50-53
  3.5 相机标定与三维点重建  53-56
    3.5.1 三维点计算  54-55
    3.5.2 三维点三角化及纹理映射  55-56
  3.6 实验结果  56-60
    3.6.1 实验一  56-58
    3.6.2 实验二  58-60
  3.7 本章小结  60-61
第四章基于射影深度求解及简化 ICP 算法的序列图像稀疏点三维重建  61-77
  4.1 算法概述  61-62
  4.2 预备知识  62-67
    4.2.1 重构多义性  62-63
    4.2.2 射影深度  63-65
    4.2.3 传统序列图像重建方法  65-67
  4.3 射影深度及重建三维点比例系数之间关系  67-69
  4.4 简化迭代最近点算法  69-71
  4.5 基于序列图像重建算法流程  71-72
  4.6 实验结果  72-75
    4.6.1 第一组图像序列  72-74
    4.6.2 第二组图像序列  74-75
  4.7 本章小结  75-77
第五章基于 PMVS 的序列图像稠密点三维重建  77-97
  5.1 基于区域增长的稠密匹配算法  77-80
    5.1.1 区域增长算法原理  77-79
    5.1.2 稠密匹配算法计算步骤  79-80
  5.2 光照一致性  80-87
    5.2.1 PMVS 算法介绍  80-87
  5.3 三维重建误差研究  87-89
    5.3.1 系统误差  87
    5.3.2 标定误差分析  87-89
    5.3.3 匹配误差  89
  5.4 稠密点快速优化方法及同一参考坐标系下投影矩阵的计算  89-91
    5.4.1 稠密点优化方法  89-90
    5.4.2 同一参考坐标系下投影矩阵的计算  90-91
  5.5 实验结果  91-96
    5.5.1 未利用 PMVS 情况下重建结果  92-94
    5.5.2 利用 PMVS 情况下重建结果  94-96
  5.6 本章小结  96-97
第六章三维重建在车辆行进姿态角检测中的应用  97-115
  6.1 引言  97
  6.2 几何方法  97-108
    6.2.1 直线检测  98-99
    6.2.2 目标点在相机坐标系下空间坐标的计算  99-103
    6.2.3 空间点世界坐标的计算  103-104
    6.2.4 实验结果  104-108
  6.3 三维重建方法  108-114
    6.3.1 确定待重建特征点  108-109
    6.3.2 计算车辆夹角  109
    6.3.3 实验结果  109-114
  6.4 本章小结  114-115
第七章结论与展望  115-118
  7.1 论文总结  115-116
  7.2 研究展望  116-118
致谢  118-119
参考文献  119-130
作者在学期间取得的学术成果  130-131
作者在学期间参与的科研项目  131

基于序列图像的三维重建算法研究

内容摘要

全文目录

相似论文