智能交通中三维重建系统的设计与实现

摘要

城市交通状况的日益复杂，交通管理中采集的二维图像在一定程度上已经无法满足高信息量的需求。相比之下，三维数据信息更受欢迎。除此以外，随着用于图像处理的软硬件设备不断升级、相关算法不断完善，三维数据相对二维数据信息量过于庞大、处理速度缓慢的问题已经逐渐被淡化。所以本文以智能交通中的车辆检测为框架，搭建了一个三维重建系统并研究交通场景中三维重建的关键技术，并提出了相应的解决方案。
　　对于本文基于智能交通领域的三维重建系统的设计，主要体现在以下三个大的方面:
　　1、实现检测场景中目标特征点的提取和动态跟踪。对场景中目标的三维重建归根到底是对目标特征点的重建，提取目标特征点是首要问题。然而实际交通中车辆目标较大且往往处于运动状态，所以对目标的特征点不仅要进行提取还要能稳定的跟踪，因此本文采用改进的KLT跟踪算法、优化了特征点模型，提高了跟踪效率，从而达到最佳效果。
　　2、特征点自动补全机制。在复杂的实际场景中可能会遇到类似于噪音干扰、目标遮挡等原因导致特征点丢失，影响了整个重建系统的鲁棒性。本文采用特征点自动补全算法，如果有些特征点在跟踪过程中消失了，那么在消失的这一帧中找寻新的特征点来顶替上，保证特征点数量不变。
　　3、采用分布重建算法对目标进行重建。场景中图像信息深度直接决定了三维场景恢复的程度，对于参与重建的相邻视频帧信息深度不足的问题，本文采用先提取视频中的关键帧作为子集，对子集先进行重建，最后再合并打包子集，保证最终系统重建的稳定性。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景和来源

1．2 课题的研究目的和意义

1．3 国内外研究现状

1．4 论文的主要内容和安排

第二章 重建的基本方法及理论

2．1 三维重建的基本方法

2．1．1 基于几何结构的重建方法

2．1．2 基于图像的重建方法

2．1．3 本文重建方法

2．2 三维重建的理论基础

2．2．1 投影几何

2．2．2 相机校验

2．2．3 分层处理

2．3 本章小结

第三章 目标特征点的提取与跟踪

3．1 重建目标的特征点选取

3．2 基于KLT的特征点跟踪算法

3．3 特征点跟踪过程中的失真问题

3．4 本章小结

第四章 三维场景恢复

4．1 重建过程解决方案

4．2 关键帧选取

4．3 关键帧的子集重建

4．3．1 子集重建的数学模型

4．3．2 光速法平差

4．4 子集合并

4．4．1 非线性提取

4．4．2 捆绑合并

4．5 本章小结

第五章 三维重建系统实现与测试

5．1 三维重建系统原理和处理过程

5．2 系统测试及其分析

5．3 本章小结

第六章 总结与展望

6．1 工作总结

6．2 工作展望

参考文献

致谢

附录：读研期间发表和录用论文及科研情况