建筑物三維重建在導(dǎo)航漫游、虛擬增強(qiáng)現(xiàn)實(shí)、智慧城市應(yīng)用系統(tǒng)等場景有著廣泛的應(yīng)用。針對建筑物三維重建,基于多視圖三維重建技術(shù)具有成本低、效率高、且適用于大場景等特性,因此,利用多視圖的重建方式獲取建筑物三維模型是當(dāng)前的一個(gè)研究趨勢。本文通過無人機(jī)航拍建筑獲取圖像,采用運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)和多視圖立體重建技術(shù)生成場景的稠密點(diǎn)云,并對稠密重建中的過程展開了研究,主要研究內(nèi)容如下:（1）基于序列圖具有相鄰圖像重疊的特性,研究改進(jìn)了一種適用于序列圖像的基礎(chǔ)矩陣估計(jì)算法,聯(lián)合三張圖像估計(jì)基礎(chǔ)矩陣。提出新的預(yù)檢驗(yàn)方法,能夠有效的減少隨機(jī)采樣一致性的迭代次數(shù)。引入匹配點(diǎn)的分?jǐn)?shù)和內(nèi)點(diǎn)率加權(quán)估算出基礎(chǔ)矩陣。再對兩個(gè)基礎(chǔ)矩陣構(gòu)建殘差模型,進(jìn)行聯(lián)合優(yōu)化。通過實(shí)驗(yàn)證明,該算法能夠準(zhǔn)確的估計(jì)序列圖像的基礎(chǔ)矩陣和有效的剔除誤匹配特征點(diǎn),并為后續(xù)點(diǎn)云的生成提供了條件。（2）由于相機(jī)收集圖像數(shù)據(jù)時(shí),會(huì)將遠(yuǎn)方的非目標(biāo)場景包含其中,從而增加深度圖計(jì)算的時(shí)間,并且形成雜亂的點(diǎn)云。為解決這個(gè)問題,采用德勞內(nèi)三角剖分算法預(yù)估像素的深度值,在計(jì)算深度圖之前篩除非重建的像素,進(jìn)而可以提高深度圖計(jì)算效率以及保留目標(biāo)建筑物場景的點(diǎn)云。（3）稠密重... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

建筑物重建應(yīng)用場景Fig1.1Applicationscenariosofbuildingsreconstruction

青島大學(xué)碩士學(xué)位論文2再用MVS[5,6](Muti-viewstereo)得到稠密的點(diǎn)云，后續(xù)經(jīng)由網(wǎng)格處理[7,8]和紋理映射[9,10]，產(chǎn)生逼真的模型。獲取圖片的方式非常簡潔，只需一般的攝影設(shè)備，現(xiàn)今市場上的普通攝影器材的精度也足以符合算法的要求，將圖片作為輸入數(shù)據(jù)，便可自動(dòng)化獲得一個(gè)三維模型，效率高，大大節(jié)省人工成本，具有適用普及性。通過圖像得到的三維重建方式，雖然存在一些問題，如在弱紋理區(qū)，或是遮擋區(qū)域，都會(huì)影響重建的結(jié)果，另外也會(huì)因圖片噪聲使點(diǎn)云精度不夠高，但仍滿足一般的場景需求。圖1.2無人機(jī)與激光雷達(dá)Fig1.2UAVandLidar早期的基于圖像多視圖的三維重建算法，往往沒有針對具體的場景，本文將重點(diǎn)針對建筑模型的稠密重建進(jìn)行研究。因一般建筑物具有眾多的先驗(yàn)信息，平面信息，立面結(jié)構(gòu)等，建筑物的點(diǎn)云往往是規(guī)則化的，更加有利于算法分析處理，本文將以圖像三維重建技術(shù)原理為基礎(chǔ)，深入研究重建細(xì)節(jié)，提高重建效率以及建筑物點(diǎn)云的精度。1.2國內(nèi)外研究現(xiàn)狀1.2.1多視圖立體三維重建現(xiàn)狀現(xiàn)今，基于圖像的三維重建技術(shù)因數(shù)據(jù)易采集、自動(dòng)化處理程度高、高效而且低成本，已經(jīng)成為計(jì)算機(jī)視覺和機(jī)器人領(lǐng)域的一個(gè)熱門研究課題，以三維重建技術(shù)衍生的識(shí)別[11]]，分割[12]]等任務(wù)，也受到廣大研究者的關(guān)注。MVS就是給定不同攝像機(jī)姿態(tài)拍攝到的部分重疊場景圖像，生成場景的三維模型,如圖1.3所示。多視圖立體主要分為兩個(gè)步驟，稀疏重建，稠密重建。稀疏重建恢復(fù)場景的結(jié)構(gòu)（點(diǎn)云）和相機(jī)的位姿信息，因?yàn)橄∈柚亟ǖ玫降狞c(diǎn)云是圖像上檢測到的特征點(diǎn)，具有稀疏性，所以該方法獲得的點(diǎn)云也具有稀疏性，不足以表達(dá)精度高的立體結(jié)構(gòu)，如曲面。稠密重建便依賴稀疏重建得到的稀疏點(diǎn)云及相機(jī)位姿條件，對圖像上所有像素進(jìn)行匹配，獲得稠密

青島大學(xué)碩士學(xué)位論文3圖1.3多視圖重建流程。從左至右分別是輸入圖像，稀疏重建，稠密重建Fig1.3Multi-viewreconstructionprocess.Fromlefttorightaretheinputimage,sparsereconstruction,anddensereconstruction現(xiàn)代多視圖立體重建算法主要分為以下幾類：深度圖融合重建、點(diǎn)云擴(kuò)散重建和神經(jīng)網(wǎng)絡(luò)重建。基于深度圖融合的三維重建是目前較為主流的方法。該方法通過計(jì)算每張圖片的每個(gè)像素深度值，生成對應(yīng)的深度圖，最終一個(gè)場景會(huì)有成百上千的深度圖，盡管有的單幅深度圖所涉及區(qū)域有限，但融合之后的深度圖[13]，依然能夠準(zhǔn)確的表示整個(gè)場景結(jié)構(gòu)。基于匹配窗口的像素匹配方法屬于局部匹配，窗口的不同大小將影響匹配的效果，尤其受噪聲影響。Vogiatzis等人提出了一個(gè)魯棒的圖像一致性函數(shù)[14]，能夠成功的抑制大量異常值，盡管圖像一致性的約束取得了不錯(cuò)的效果，但圖像中的深度依然存在著不易排除的錯(cuò)誤值，于是，研究人員假設(shè)相鄰像素具有相似的深度值的情況下強(qiáng)制空間一致性，便引入了MRF(MarkovRandomField)[15]，構(gòu)成一個(gè)全局組合優(yōu)化問題。Schonberger等人提出了新的方法[16]，加入了深度和法線信息的聯(lián)合估計(jì)，進(jìn)行逐像素視圖選擇，并基于多視圖幾何一致性同時(shí)優(yōu)化圖像深度和法線，提高了重建的精度，但計(jì)算時(shí)間過長。基于點(diǎn)云面片的三維重建。Furukawa提出了經(jīng)典的點(diǎn)云面片重建算法[17]，該算法采用了貪心擴(kuò)展方法，通過特征匹配重建初始的種子后，在擴(kuò)展和濾波步驟之間進(jìn)行迭代。該算法分為三個(gè)主要步驟，即初始點(diǎn)云生成、擴(kuò)展和過濾，最后使用表面重建算法得到三維模型，算法具有魯棒性。但是初始面片是基于特征點(diǎn)得到的，對于一些弱紋理或是特征缺少的場景，效果表現(xiàn)不好，如圖1.4所示。對于大規(guī)模的數(shù)據(jù)集，由于內(nèi)存的限制，將所


本文編號(hào)：3376707