论文部分内容阅读
基于图像序列的三维重建通过对指定目标进行不同角度的拍摄,获取图像序列,选用合适的特征检测和匹配方法获取目标的特征点的对应关系,计算并排除错误的匹配信息,从而得到目标在现实三维空间的位置信息完成重建。在实际应用中,三维重建的过程复杂,重建精度受到拍摄图片质量,算法等多种因素影响,其中,特征提取和匹配是最初且最关键的一部分,特征匹配的精度和耗时极大程度的影响三维重建的效果,目前,已经存在许多种特征提取的算法,各个特征提取算法之间有利有弊,适用于不同场景,选择适用于三维重建的特征匹配算法十分重要。本文首先从选题背景入手,查阅了国内外大量资料文献,充分论证了本课题的研究意义和必要性,总结出该课题的国内外研究现状和发展前景,提出了基于AKAZE特征提取算法的三维重建算法,具体工作如下:1.图像中特征提取与匹配的过程。研究了经典的尺度不变特征变换(Scale Invariant Feature Transfrom,SIFT)特征提取和匹配算法的原理和流程以及随机抽样一致性算法(Random Sample Consensus,RANSAC)算法的原理,研究了最近的基于构造非线性尺度空间的AKAZE特征提取算法,针对于Perona-Malik模型不能够很好地滤除噪声的问题,提出了改进:在非线性滤波扩散时采用Charbonnier模型取代Perona-Malik模型,能够在滤除噪声的同时保留图像更多的细节,并使用RANSAC算法剔除误匹配,实验表明改进后的AKAZE算法特征匹配的精度和速度都有所提高,能够为后续的三维重建提供更加精确的匹配对。2.研究了基于图像序列的三维重建基本概念理论以及运动恢复结构(Structure From Motion,SFM)构建稀疏点云的原理,针对于传统基于SIFT算法的三维重建会丢失大量边界信息的问题,提出了基于AKAZE算法的三维重建算法,算法分为三部分:(1)根据本文的改进AKAZE算法进行特征提取与匹配,使用RANSAC算法消除误匹配;(2)使用增量式SFM算法进行稀疏点云的构建;(3)与基于面片的多视图立体视觉算法(Patched-based Multi-View Stereo,PMVS)结合,构建出稠密点云,实现了对目标物体的三维重建的流程,本文将重建结果与传统的基于SIFT算法的三维重建结果相比较,结果证明该方法能够一定程度上提高三维重建的结果。