發(fā)布時間：2021-09-03 03:37

　　隨著計算機視覺的發(fā)展,人機需要進行三維世界的交互和感知。但目前,作為圖像主要采集設備的相機獲取的二維圖像存在歧義性,無法支持計算機視覺進入更高級的三維階段。與此同時,越來越多的三維應用如虛擬現(xiàn)實、服務機器人導航、增強現(xiàn)實等需要底層三維稠密點云地圖的支撐。而要恢復場景的三維坐標,就需要對圖像逆投影進行三維重建。傳統(tǒng)三維重建中最常用的SFM技術,在進行重建時,需要消耗巨大的內存和計算資源,且恢復的是三維稀疏點云,要恢復稠密結構還需要進行點云的稠密重建�；谝曈X的SLAM技術則能夠實現(xiàn)三維點云的快速重建。視覺SLAM通過相機采集周圍環(huán)境的數(shù)據(jù)進行三維重建,而RGB-D相機是一種能夠同時采集環(huán)境的RGB信息和深度信息的傳感器,相比其他傳感器更有利于場景的稠密結構恢復。本研究針對RGB-D SLAM系統(tǒng)存在的實時性差、初始化容易失敗、相機的姿態(tài)估計不準確、重建結果存在“漂移”現(xiàn)象等問題,構建了一種基于特征點的RGB-D SLAM系統(tǒng)對上述問題進行了優(yōu)化。該系統(tǒng)以RGB-D相機作為采集數(shù)據(jù)的傳感器,通過提取并匹配圖像的特征點來計算相機的初始位姿并進行優(yōu)化,最后根據(jù)點云數(shù)據(jù)和相機坐標系的對應性,將所... 

【文章來源】：蘭州理工大學甘肅省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

二維圖像的歧義性

基于特征點的RGB-DSLAM系統(tǒng)優(yōu)化研究2基于三維重建的文物保護人臉三維重建無人駕駛植物三維重建人體三維重建虛擬現(xiàn)實室內導航圖1.2三維重建的實際應用案例自三維重建的概念被提出之后，誕生了多種三維重建方法并被廣泛應用。相關技術可以大致概括為以下幾類：(1)軟件設計方法。一些三維設計的專業(yè)人士，使用專業(yè)的三維設計軟件，例如：Autodesk3D、AutoCAD、SolidWorks、Blender、Smart3D，通過手工設計的方法，輸出特定模型的三維結構。這種方法的缺點是非專業(yè)人士難以上手、需要價格昂貴的商業(yè)軟件、只能對一些小型立體模型或者場景進行重構。(2)接觸式三維重建利用一些特殊的儀器，在待重建物體的表面進行測量，如文獻[11]提出的方法。雖然接觸式測量精度高，但是存在損壞待重建物體表面的可能性，加上測量范圍的局限性，使得這種測量方式未能被廣泛的使用。(3)非接觸式三維重建又分為主動視覺法和被動視覺法。主動視覺法[12]在測量時主動向待測場景中發(fā)射光源，通過返回的投影信息計算目標物體的位置和大小，激光雷達掃描技術、光飛行時間法(TimeofFight,TOF)、結構光(StructuredLight)技術均是其中的代表。隨著微軟Kinect攝像頭的興起，基于主動視覺法的三維重建在近幾年成為稠密三維重建的重要研究方向。對于一些特征細節(jié)保留要求高、不存在大量紅外光源的場景，主動視覺法是其三維重建的首眩被動視覺法[13]根據(jù)傳感器數(shù)量分為：單目視覺法、雙目視覺法、多目視覺法。被動視覺法首先通過傳感器獲取待重建場景的圖像或者視頻序列，然后利用多視圖幾何的相關理論來逆向的建模。該技術的優(yōu)點是能夠應用于各種場景、傳感器比較常見且價格便宜，但建模的精度比較低，且需要消耗大量的時間和計算資源。(4)基于深度學習的方法。隨著機

基于特征點的RGB-DSLAM系統(tǒng)優(yōu)化研究2基于三維重建的文物保護人臉三維重建無人駕駛植物三維重建人體三維重建虛擬現(xiàn)實室內導航圖1.2三維重建的實際應用案例自三維重建的概念被提出之后，誕生了多種三維重建方法并被廣泛應用。相關技術可以大致概括為以下幾類：(1)軟件設計方法。一些三維設計的專業(yè)人士，使用專業(yè)的三維設計軟件，例如：Autodesk3D、AutoCAD、SolidWorks、Blender、Smart3D，通過手工設計的方法，輸出特定模型的三維結構。這種方法的缺點是非專業(yè)人士難以上手、需要價格昂貴的商業(yè)軟件、只能對一些小型立體模型或者場景進行重構。(2)接觸式三維重建利用一些特殊的儀器，在待重建物體的表面進行測量，如文獻[11]提出的方法。雖然接觸式測量精度高，但是存在損壞待重建物體表面的可能性，加上測量范圍的局限性，使得這種測量方式未能被廣泛的使用。(3)非接觸式三維重建又分為主動視覺法和被動視覺法。主動視覺法[12]在測量時主動向待測場景中發(fā)射光源，通過返回的投影信息計算目標物體的位置和大小，激光雷達掃描技術、光飛行時間法(TimeofFight,TOF)、結構光(StructuredLight)技術均是其中的代表。隨著微軟Kinect攝像頭的興起，基于主動視覺法的三維重建在近幾年成為稠密三維重建的重要研究方向。對于一些特征細節(jié)保留要求高、不存在大量紅外光源的場景，主動視覺法是其三維重建的首眩被動視覺法[13]根據(jù)傳感器數(shù)量分為：單目視覺法、雙目視覺法、多目視覺法。被動視覺法首先通過傳感器獲取待重建場景的圖像或者視頻序列，然后利用多視圖幾何的相關理論來逆向的建模。該技術的優(yōu)點是能夠應用于各種場景、傳感器比較常見且價格便宜，但建模的精度比較低，且需要消耗大量的時間和計算資源。(4)基于深度學習的方法。隨著機

【參考文獻】：
期刊論文
[1]圖像序列的增量式運動結構恢復[J]. 高天寒,楊子藝.  中國圖象圖形學報. 2019(11)
[2]基于全局配準累積誤差極小的人體RGB-D數(shù)據(jù)三維重建[J]. 孫瑜亮,繆永偉,鮑陳,夏海浜,張旭東,陳佳舟.  計算機輔助設計與圖形學學報. 2019(09)
[3]基于RGB-D相機的SLAM技術研究綜述[J]. 陳世浪,吳俊君.  計算機工程與應用. 2019(07)
[4]基于ORB與RANSAC融合改進的圖像配準[J]. 樊彥國,柴江龍,許明明,王斌,侯秋實.  光學精密工程. 2019(03)
[5]激光掃描匹配方法研究綜述[J]. 宗文鵬,李廣云,李明磊,王力,李帥鑫.  中國光學. 2018(06)
[6]基于視覺的三維重建關鍵技術研究綜述[J]. 鄭太雄,黃帥,李永福,馮明馳.  自動化學報. 2020(04)
[7]基于深度學習的視覺SLAM綜述[J]. 趙洋,劉國良,田國會,羅勇,王梓任,張威,李軍偉.  機器人. 2017(06)
[8]運動推斷結構技術中的特征跟蹤方法綜述[J]. 曹明偉,李書杰,賈偉,劉曉平.  計算機學報. 2018(11)
[9]基于ORB-SLAM的移動機器人嵌入式實現(xiàn)與優(yōu)化[J]. 林連秀,葉蕓,姚劍敏,郭太良.  微型機與應用. 2017(05)
[10]PMVS算法的CPU多線程和GPU兩級粒度并行策略[J]. 劉金碩,江莊毅,徐亞渤,鄧娟,章嵐昕.  計算機科學. 2017(02)

博士論文
[1]基于深度相機的葉菜類作物三維重建與生長測量方法研究[D]. 胡楊.浙江大學 2018
[2]數(shù)據(jù)驅動的多視圖三維重建[D]. 曹明偉.合肥工業(yè)大學 2017
[3]面向復雜環(huán)境的魯棒高效的三維注冊與結構恢復[D]. 劉浩敏.浙江大學 2017

碩士論文
[1]基于RGB-D傳感器室內場景三維重建關鍵技術研究[D]. 苑立彬.北京郵電大學 2019
[2]基于RGB-D圖像的人臉姿態(tài)檢測及三維重建[D]. 關彤.沈陽工業(yè)大學 2019
[3]無人機自主導航的單目視覺SLAM技術研究[D]. 謝瑒.南京航空航天大學 2019
[4]基于深度學習的機器人環(huán)境感知研究[D]. 竇笑.哈爾濱工程大學 2019
[5]基于視覺SLAM的語義地圖研究[D]. 常思雨.哈爾濱工業(yè)大學 2018
[6]基于深度學習的相機相對姿態(tài)估計[D]. 張林箭.浙江大學 2018
[7]基于OpenCV的GPU并行加速圖像匹配算法研究[D]. 毛星云.南京航空航天大學 2016
[8]移動機器人卡爾曼濾波定位技術的研究[D]. 黨宇.東北大學 2015
[9]基于擴展卡爾曼濾波的足式機器人運動速度估計研究[D]. 王聰偉.哈爾濱工業(yè)大學 2014



本文編號：3380323