基于序列图的建筑群稠密重建算法研究与实现
发布时间：2021-09-01 09:12
建筑物三维重建在导航漫游、虚拟增强现实、智慧城市应用系统等场景有着广泛的应用。针对建筑物三维重建,基于多视图三维重建技术具有成本低、效率高、且适用于大场景等特性,因此,利用多视图的重建方式获取建筑物三维模型是当前的一个研究趋势。本文通过无人机航拍建筑获取图像,采用运动恢复结构和多视图立体重建技术生成场景的稠密点云,并对稠密重建中的过程展开了研究,主要研究内容如下:（1）基于序列图具有相邻图像重叠的特性,研究改进了一种适用于序列图像的基础矩阵估计算法,联合三张图像估计基础矩阵。提出新的预检验方法,能够有效的减少随机采样一致性的迭代次数。引入匹配点的分数和内点率加权估算出基础矩阵。再对两个基础矩阵构建残差模型,进行联合优化。通过实验证明,该算法能够准确的估计序列图像的基础矩阵和有效的剔除误匹配特征点,并为后续点云的生成提供了条件。（2）由于相机收集图像数据时,会将远方的非目标场景包含其中,从而增加深度图计算的时间,并且形成杂乱的点云。为解决这个问题,采用德劳内三角剖分算法预估像素的深度值,在计算深度图之前筛除非重建的像素,进而可以提高深度图计算效率以及保留目标建筑物场景的点云。（3）稠密重...
【文章来源】：青岛大学山东省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
建筑物重建应用场景Fig1.1Applicationscenariosofbuildingsreconstruction
青岛大学硕士学位论文2再用MVS[5,6](Muti-viewstereo)得到稠密的点云，后续经由网格处理[7,8]和纹理映射[9,10]，产生逼真的模型。获取图片的方式非常简洁，只需一般的摄影设备，现今市场上的普通摄影器材的精度也足以符合算法的要求，将图片作为输入数据，便可自动化获得一个三维模型，效率高，大大节省人工成本，具有适用普及性。通过图像得到的三维重建方式，虽然存在一些问题，如在弱纹理区，或是遮挡区域，都会影响重建的结果，另外也会因图片噪声使点云精度不够高，但仍满足一般的场景需求。图1.2无人机与激光雷达Fig1.2UAVandLidar早期的基于图像多视图的三维重建算法，往往没有针对具体的场景，本文将重点针对建筑模型的稠密重建进行研究。因一般建筑物具有众多的先验信息，平面信息，立面结构等，建筑物的点云往往是规则化的，更加有利于算法分析处理，本文将以图像三维重建技术原理为基础，深入研究重建细节，提高重建效率以及建筑物点云的精度。1.2国内外研究现状1.2.1多视图立体三维重建现状现今，基于图像的三维重建技术因数据易采集、自动化处理程度高、高效而且低成本，已经成为计算机视觉和机器人领域的一个热门研究课题，以三维重建技术衍生的识别[11]]，分割[12]]等任务，也受到广大研究者的关注。MVS就是给定不同摄像机姿态拍摄到的部分重叠场景图像，生成场景的三维模型,如图1.3所示。多视图立体主要分为两个步骤，稀疏重建，稠密重建。稀疏重建恢复场景的结构（点云）和相机的位姿信息，因为稀疏重建得到的点云是图像上检测到的特征点，具有稀疏性，所以该方法获得的点云也具有稀疏性，不足以表达精度高的立体结构，如曲面。稠密重建便依赖稀疏重建得到的稀疏点云及相机位姿条件，对图像上所有像素进行匹配，获得稠密
青岛大学硕士学位论文3图1.3多视图重建流程。从左至右分别是输入图像，稀疏重建，稠密重建Fig1.3Multi-viewreconstructionprocess.Fromlefttorightaretheinputimage,sparsereconstruction,anddensereconstruction现代多视图立体重建算法主要分为以下几类：深度图融合重建、点云扩散重建和神经网络重建。基于深度图融合的三维重建是目前较为主流的方法。该方法通过计算每张图片的每个像素深度值，生成对应的深度图，最终一个场景会有成百上千的深度图，尽管有的单幅深度图所涉及区域有限，但融合之后的深度图[13]，依然能够准确的表示整个场景结构。基于匹配窗口的像素匹配方法属于局部匹配，窗口的不同大小将影响匹配的效果，尤其受噪声影响。Vogiatzis等人提出了一个鲁棒的图像一致性函数[14]，能够成功的抑制大量异常值，尽管图像一致性的约束取得了不错的效果，但图像中的深度依然存在着不易排除的错误值，于是，研究人员假设相邻像素具有相似的深度值的情况下强制空间一致性，便引入了MRF(MarkovRandomField)[15]，构成一个全局组合优化问题。Schonberger等人提出了新的方法[16]，加入了深度和法线信息的联合估计，进行逐像素视图选择，并基于多视图几何一致性同时优化图像深度和法线，提高了重建的精度，但计算时间过长。基于点云面片的三维重建。Furukawa提出了经典的点云面片重建算法[17]，该算法采用了贪心扩展方法，通过特征匹配重建初始的种子后，在扩展和滤波步骤之间进行迭代。该算法分为三个主要步骤，即初始点云生成、扩展和过滤，最后使用表面重建算法得到三维模型，算法具有鲁棒性。但是初始面片是基于特征点得到的，对于一些弱纹理或是特征缺少的场景，效果表现不好，如图1.4所示。对于大规模的数据集，由于内存的限制，将所
本文编号：3376707
【文章来源】：青岛大学山东省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
建筑物重建应用场景Fig1.1Applicationscenariosofbuildingsreconstruction
青岛大学硕士学位论文2再用MVS[5,6](Muti-viewstereo)得到稠密的点云，后续经由网格处理[7,8]和纹理映射[9,10]，产生逼真的模型。获取图片的方式非常简洁，只需一般的摄影设备，现今市场上的普通摄影器材的精度也足以符合算法的要求，将图片作为输入数据，便可自动化获得一个三维模型，效率高，大大节省人工成本，具有适用普及性。通过图像得到的三维重建方式，虽然存在一些问题，如在弱纹理区，或是遮挡区域，都会影响重建的结果，另外也会因图片噪声使点云精度不够高，但仍满足一般的场景需求。图1.2无人机与激光雷达Fig1.2UAVandLidar早期的基于图像多视图的三维重建算法，往往没有针对具体的场景，本文将重点针对建筑模型的稠密重建进行研究。因一般建筑物具有众多的先验信息，平面信息，立面结构等，建筑物的点云往往是规则化的，更加有利于算法分析处理，本文将以图像三维重建技术原理为基础，深入研究重建细节，提高重建效率以及建筑物点云的精度。1.2国内外研究现状1.2.1多视图立体三维重建现状现今，基于图像的三维重建技术因数据易采集、自动化处理程度高、高效而且低成本，已经成为计算机视觉和机器人领域的一个热门研究课题，以三维重建技术衍生的识别[11]]，分割[12]]等任务，也受到广大研究者的关注。MVS就是给定不同摄像机姿态拍摄到的部分重叠场景图像，生成场景的三维模型,如图1.3所示。多视图立体主要分为两个步骤，稀疏重建，稠密重建。稀疏重建恢复场景的结构（点云）和相机的位姿信息，因为稀疏重建得到的点云是图像上检测到的特征点，具有稀疏性，所以该方法获得的点云也具有稀疏性，不足以表达精度高的立体结构，如曲面。稠密重建便依赖稀疏重建得到的稀疏点云及相机位姿条件，对图像上所有像素进行匹配，获得稠密
青岛大学硕士学位论文3图1.3多视图重建流程。从左至右分别是输入图像，稀疏重建，稠密重建Fig1.3Multi-viewreconstructionprocess.Fromlefttorightaretheinputimage,sparsereconstruction,anddensereconstruction现代多视图立体重建算法主要分为以下几类：深度图融合重建、点云扩散重建和神经网络重建。基于深度图融合的三维重建是目前较为主流的方法。该方法通过计算每张图片的每个像素深度值，生成对应的深度图，最终一个场景会有成百上千的深度图，尽管有的单幅深度图所涉及区域有限，但融合之后的深度图[13]，依然能够准确的表示整个场景结构。基于匹配窗口的像素匹配方法属于局部匹配，窗口的不同大小将影响匹配的效果，尤其受噪声影响。Vogiatzis等人提出了一个鲁棒的图像一致性函数[14]，能够成功的抑制大量异常值，尽管图像一致性的约束取得了不错的效果，但图像中的深度依然存在着不易排除的错误值，于是，研究人员假设相邻像素具有相似的深度值的情况下强制空间一致性，便引入了MRF(MarkovRandomField)[15]，构成一个全局组合优化问题。Schonberger等人提出了新的方法[16]，加入了深度和法线信息的联合估计，进行逐像素视图选择，并基于多视图几何一致性同时优化图像深度和法线，提高了重建的精度，但计算时间过长。基于点云面片的三维重建。Furukawa提出了经典的点云面片重建算法[17]，该算法采用了贪心扩展方法，通过特征匹配重建初始的种子后，在扩展和滤波步骤之间进行迭代。该算法分为三个主要步骤，即初始点云生成、扩展和过滤，最后使用表面重建算法得到三维模型，算法具有鲁棒性。但是初始面片是基于特征点得到的，对于一些弱纹理或是特征缺少的场景，效果表现不好，如图1.4所示。对于大规模的数据集，由于内存的限制，将所
本文编号：3376707
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3376707.html
