基于多视图的三维重建中特征提取与特征匹配并行化研究

摘要

基于多视图的三维重建是计算机视觉的重要组成部分，该算法的核心是以多张图片作为输入，通过计算之后生成稀疏三维点云数据，通过点云扩张形成稠密三维点云数据，最后通过表面重建得到三维模型。其在文物保护、增强现实、虚拟现实、三维目标识别、数字城市等领域都有着广泛的应用，然而由于算法是通过面片扩张、过滤等步骤形成三维数据，算法复杂、计算量大。综上，本文针对于多视图的三维重建中特征提取、匹配等耗时长的部分，给出了一种基于异构架构的快速重建方法。在兼顾了重建精度和效率同时利用CUDA和OpenMP对算法进行了并行优化，最后根据算法实验过程，设计研发了基于多视图三维重建的可视化软件系统。
　　本文首先介绍了基于多视图的三维重建整个过程，针对特征提取部分，重点讲述了SURF特征提取算法，对比了Harris和DoG算子，在特征匹配部分介绍了NCC匹配算法，辅助对极几何的性质，最后通过随机抽样一致性算法(RANSAC)对误匹配点进行了剔除。重点设计并实现了基于OpenMP和CUDA的SURF及RANSAC算法，对OpenCV中实现的基于CUDA的SURF算法进行分析并给出了优化方法。最后，本文给出了基于多视图三维重建整个过程的可视化软件实验系统，通过该软件系统可以重建比较满意的实验结果。

目录

声明

摘要

第一章 绪论

1．1 课题来源

1．2 课题的研究意义

1．3 国内外研究现状

1．3．1 国外研究现状

1．3．2 国内研究现状

1．4 目前并行算法所存在的问题

1．5 本文的研究内容与结构

第二章 基于多视图的三维重建

2．1 算法基本过程

2．1．1 算法概述

2．1．2 算法具体过程

2．2 特征提取

2．2．1 Harris算子

2．2．2 DoG算子

2．2．3 SURF算法

2．3 特征匹配

2．3．1 对极几何

2．3．2 NCC匹配算法

2．3．3 特征提纯

2．4 本章小结

第三章 并行计算

3．1 并行计算重要性

3．1．1 并行处理技术的迫切要求

3．1．2 三维重建的并行化

3．2 并行技术

3．3．1 共享存储系统

3．3．2 分布式存储系统

3．3．3 基于GPU的并行

3．3 CUDA框架概述

3．3．1 CUDA的线程层次

3．3．2 CUDA的存储模型

3．4 本章小结

第四章 并行算法实现

4．1 SUFR算法并行化

4．1．1 SURF并行算法核心思想

4．1．2 基于OpenMP的SURF算法

4．1．3 基于OpenMP的SURF算法实验结果与分析

4．1．4 基于CUDA的SURF算法

4．1．5 基于CUDA的SURF算法实验结果与分析

4．1．6 SURF混合并行算法

4．2 RANSAC算法并行化

4．2．1 RANSAC并行算法核心思想

4．2．2 基于OpenMP的RANSAC算法

4．2．3 基于OpenMP的RANSAC算法实验结果与分析

4．2．4 基于CUDA的RANSAC算法

4．2．5 基于CUDA的RANSAC算法实验结果与分析

4．2．6 RANSAC混合并行算法

4．3 本章小结

第五章 性能分析与优化及软件实验系统

5．1 算法优化分析

5．2 算法调优

5．2．1 性能优化总体策略

5．2．2 最大化并行执行

5．2．3 最大化存储器利用率

5．2．4 最大化指令吞吐率

5．3 软件模块功能和实现

5．4 软件使用结果

5．4．1 测试数据集

5．4．2 软件框架

5．4．3 软件使用结果

5．5 本章小结

第六章 总结和展望

6．1 本文主要工作总结

6．2 未来工作展望

参考文献

致谢

作者简介