基于双幅图像的匹配算法及3D重建不确定性研究

摘要

计算机视觉是实现模式的自动识别即以计算机完成对视觉信息处理的科学,是基础研究和应用研究中重大的挑战之一.而图像匹配由于其涉及的问题众多,是计算机视觉中最困难、最关键的一步.为了认识影响3D重建精度的来源和规律,在计算机视觉系统中引入三维重建的不确定性描述是必要的.该文探索性地提出了一种基于梯度场相似性和邻域膨胀的快速图像匹配算法.用SUSAN法检测到我们感兴趣的特征一角点,改进的Scott和Longuet-Higgins算法完成角点的匹配,进而进行基础矩阵估计.从一点的某邻域内梯度场相似性出发,利用极线约束完成全象素匹配.提出的邻域膨胀方法能有效处理多候选点的问题,与传统的利用连续性约束、匹配强度算法等相比能明显加快匹配速度,自适应邻域的匹配策略能够保证较高的精度和可靠性,算法受光照条件的影响较小且适合不同尺度图像.方法的多样性及采用的分析工具的不同,建立统一的误差分析模型并不现实.由于得到基于误差传播理论的重建不确定性显式公式并没有直观性,该文在推导出三维重建扰动分析模型的基础上,应用多元分析的统计方法研究了图像量化误差、匹配误差、标定误差等对重建精度的影响.采用计算机仿真图像进行实验,向重建模型中输入高斯噪声进行扰动分析,这样有利于对不确定性的评定.对三维重建点伸展不确定性的可视化也进行了探讨.该文给出的扰动模型和多元分析的方法具有更大的通用性.对提出的匹配算法及重建不确定性研究的理论与方法,该文给出了其软件实现及实例分析结果.介绍了模块的整体设计并给出几个关键问题的程序分析.实验验证了匹配算法的有效性并得出了重建不确定性研究的若干重要结论.

目录

文摘

英文文摘

第1章绪论

1.1引言

1.2计算机视觉系统与理论

1.3选题背景及文献综述

1.3.1选题背景

1.3.2文献综述

1.4论文的主要研究工作

第2章相关数学基础及计算机视觉理论

2.1引言

2.2矩阵的奇异值分解

2.2.1矩阵的奇异值

2.2.2奇异值分解定理

2.2.3奇异值分解的计算方法

2.3矩阵扰动分析

2.3.1概述

2.3.2线性最小二乘问题扰动理论

2.4不确定性基础

2.4.1概述

2.4.2多维不确定性分析

2.5 SUSAN角点检测

2.5.1概述

2.5.2 SUSAN角点检测

2.6基础矩阵估计

2.6.1概述

2.6.2基础矩阵的鲁棒估计

2.7摄像机模型及极线约束

2.7.1摄像机模型

2.7.2极线约束

2.8本章小结

第3章基于梯度场相似性和邻域膨胀的匹配算法

3.1引言

3.2匹配策略提出的渊源

3.3 Scott和Longuet-Higgins算法及其改进

3.3.1 Scott和Longuet-Higgins算法

3.3.2 Scott和Longuet-Higgins算法的改进

3.4匹配算法的实现

3.4.1算法总体思路

3.4.2匹配算法的具体实现

3.4.3结论

3.5本章小结

第4章基于双幅图像3D重建的不确定性研究

4.1引言

4.2重建不确定性分析

4.2.1重建扰动分析模型

4.2.2扰动分析

4.2.3伸展不确定性可视化

4.2.4结论

4.3本章小结

第5章匹配算法及重建不确定性研究的软件实现

5.1引言

5.1.1开发工具

5.1.2软件实现功能剖析

5.2匹配算法实现及实验分析

5.2.1匹配算法模块的创建

5.2.2程序实现细节

5.2.3实验结果

5.3重建不确定性实验研究

5.3.1不确定性分析的实现

5.3.2程序实现细节

5.3.3实验结果

5.4本章小结

第6章总结与展望

6.1论文总结

6.2工作展望

参考文献

发表的论文

附录

致谢