多视图三维重建及其评估算法的研究

摘要

三维重建是计算机视觉研究的一个重要分支，在日常生活、医疗领域、军事测量等行业具有广泛应用价值。三维重建方法可分为主动式方法和被动式方法。主动式方法需要测量设备主动发射激光或结构光，因此覆盖面积有限，适用于小场景的高精度测量。而被动式方法直接采用照相机拍摄图像，利用不同视角的二维图像进行三维重建，既可用于小场景的重建，也可用于大场景的重建，且设备更加简单，是目前的一个研究热点。
　　论文根据基于面片的三维重建算法(PMVS)原理，编程实现了一种多视图三维重建算法，该算法首先从多幅不同角度的二维视图中提取特征点，进行特征点匹配，根据三角测量原理得到稀疏三维点云。再通过灰度一致性进行面片生长，得到稠密三维点云。论文对实际拍摄的场景和标准库中的场景进行三维重建，皆获得了较好的重建结果。
　　论文对Harris、SUSAN、SIFT以及SURF等几种特征点检测算子和SIFT、SURF以及Daisy等特征点描述符算子进行了实验对比分析，并混合搭配多种检测算子和描述符的匹配的方案，实验筛选出了一组较好的组合，采用该组合对PMVS算法进行改进。实验证明改进后的算法在点云数量、精度和完整性方面都有一定提高。
　　论文还提出了一种快速三维重建评估算法。任何一种三维重建算法都必须对其优劣进行定量评估，但是由于不同的三维重建算法所采取的世界坐标系不同，所重建出的景物的大小、位置、姿态也不同，无法直接与标准库给出的精确测量值进行比对。本文提出的算法利用标准数据库提供的投影矩阵快速估算从三维重建坐标系到数据库测量坐标系的坐标变换矩阵，该变换矩阵只需稍作优化，甚至不做优化，就可应用于三维重建精度和完整性的统计评估，可广泛用于三维重建算法的定量评估。

目录

声明

摘要

第一章 绪论

1．1 计算机视觉

1．2 三维模型重建的分类和发展现状

1．3 三维重建的典型应用

1．4 论文的研究内容和结构安排

第二章 基于PMVS的三维重建

2．1 PMVS算法基本概念

2．1．1 坐标系

2．1．2 投影矩阵和基本矩阵

2．1．3 面片

2．1．4 灰度一致性度量函数

2．2 PMVS算法

2．2．1 特征点匹配和初始面片生成

2．2．2 面片扩展

2．2．3 面片过滤

2．3 PMVS三维重建实验

第三章 特征点提取和匹配

3．1 常见特征点检测算子实验分析

3．1．1 Harris算子

3．1．2 SUSAN算子

3．1．3 SIFT算子

3．1．4 SURF算子

3．1．5 几种算子对比分析

3．2 常见描述符算法

3．2．1 SIFT特征描述算子

3．2．2 SURF特征描述算子

3．2．3 Daisy特征描述算子

3．3 特征点匹配实验

3．4 基于特征点的PMVS的改进

3．5 本章小结

第四章 三维重建评估算法

4．1 基本概念

4．2 坐标变换矩阵求解原理

4．3 实验结果和讨论

4．4 本章小结

第五章 总结与展望

参考文献

攻读硕士学位期间论文发表情况

致谢