基于飞行时间的三维目标点云提取和重建研究

发布时间：2020-08-04 13:18

【摘要】：无论是在人工智能,无人驾驶方面,还是在深空探测和机器人导航方面,三维成像技术都发挥着至关重要的作用。传统的三维成像是通过多张二维图像来计算三维信息,这不仅需要复杂的算法适配,还对计算机的计算能力提出了很高的要求。基于飞行时间原理的深度相机作为一种新型的三维成像装置,一经出现便吸引了人们的注意。与传统的三维成像技术不同,飞行时间深度相机通过计算光在空气中的飞行时间来测量三维目标的距离,从而直接获取场景目标的三维点云数据。当今社会各行各业都对实时性提出了很高的要求,其中深空探测和无人驾驶等前沿领域对于实时性的要求更高。而飞行时间深度相机不但可以同时获取场景的强度信息和深度信息,而且体积小,成像速度快,这一点正符合现代社会应用场景的要求。本论文基于此,对基于飞行时间深度相机的目标点云快速提取和三维重建进行了研究,主要研究内容包括以下几个方面:(1)对飞行时间深度相机的镜头畸变和深度测量误差进行了校正本文通过研究飞行时间深度相机三维成像的基本原理,首先对深度相机的镜头畸变进行了校准,通过拍摄多幅棋盘格图像对深度相机的镜头畸变进行校准。深度相机获取的深度信息是进行三维重建的重要数据,而由于频率、相位和像素间串扰等系统误差的存在,深度相机在深度距离测量上一般存在较大的误差。对此,本文对深度相机进行了频率、相位和像素间串扰的校准,将深度测量精度从分米量级提高到了厘米量级,在近距离测量范围内甚至达到了毫米量级,同时在深度成像平面上的相对误差也校准到了1cm左右。(2)设计了新的算法完成了对深度相机目标点云数据的快速滤波和提取,并对提取结果进行了三维重建研究校正数据之后,本文基于深度相机点云数据格式,设计了一种处理三维点云数据的双阈值空间滤波算法,与其他点云滤波算法进行对比,点云噪声滤除效果较好。针对滤波后的点云数据,本文设计了一种改进的基于法向量的随机抽样一致性算法,实现了对三维场景目标的快速点云数据提取。在校正和滤波的基础上,本文通过使用球旋转算法实现了对场景目标的实时三维表面点云重建。
【学位授予单位】：中国科学院大学(中国科学院国家空间科学中心)
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V443;TP391.41
【图文】：

场景,立体成像,双目,特征匹配

图1.1双目立体成像特征匹配及其局限场景

双目视觉,避障,相机,二十世纪初

图 1.2 好奇号火星车及其搭载的双目视觉避障相机，全称为 Time of Flight，即时间飞行，是一种根据传播介质在间来计算目标物体距离的技术。我们熟知的声纳和雷达其实的 TOF 技术来探测和发现目标。自二十世纪初爱因斯坦提出

机器人应用,相机

摄像机通常安装在移动机器人上（图1.3（a）），用于绘制地图和定位，尽管它也被应用于障碍物探测和地形分类[20]。在与对象相关的任务中，相机通常连接到机器人操纵器的末端执行器，以便通过主动更改相机的视角来获取新图像（图 1.3（b））。尽管 TOF 传感器的分辨率有限，但是在一些移动机器人应用中，TOF 相机作为特殊的传感器已经被成功利用起来。其中 TOF 传感器在绘制地图方面有极大的吸引力，因为它可以提取几何特征。May[21]等人探讨了不同的姿态估计方法，他们还提出了一个最终的细化步骤，包括对齐相应的曲面法线，从而改进计算得到的 3D 场景地图。Hedge 和 Ye[22]提出了一种从 TOF 三维数据中提取平面特征的方法，该方法首先利用表面法向量信息对距离图像进行增强，然后利用切割算法将增强图像分割成若干段，紧接着将一个最小二乘平面拟合到每个分段上，利用拟合误差确定分段是否为平面，最后从距离数据中提取出垂直面和水平面。Pathak[23]等人介绍了一种移动机器人姿态配准算法，该算法完全基于从三维传感器点云中提取的由平

【相似文献】