基于SFM的建筑物三维重建技术研究及应用

近年来,随着计算机技术的飞跃发展,三维重建已逐渐走进人们的生活中,并受到越来越多的关注。因其实用性强、效率高等特点,这一高新技术已被广泛应用于各行各业中,其中包括国防、医疗、数字城市建设及文物修复等多个领域。由于人类对由计算机自动获取周围环境三维信息的需求越来越大,对三维重建技术的实际应用要求也越来越高。因此,如何根据具体应用快速高效地重建出高精度三维模型已成为计算机视觉领域中一个重要的研究课题。针对这一实际应用问题,本文从由运动恢复结构(SFM)的角度出发,具体研究了基于图像的建筑物自动化三维重建技术。本文针对三维重建过程中的多个关键技术展开研究,具体内容如下:首先,在对图像特征点检测及匹配技术研究的基础上,针对所获取的图像特点,采用基于尺度不变特征变换(SIFT)的匹配方法提取出图像特征点并进行匹配,使物理空间中的某一点在不同图像中的投影点对应。完成图像对之间对应关系的建立,即将同一物理空间点在两幅不同图像中的成像点一一对应。在获得初始匹配点对后,引入基于区域增长的稠密匹配算法,以实现获得大数量级的匹配点对的目的。其次,提出一种改进随机抽样一致性(RANSAC)算法。在改进算法中,采用基于自适应分块技术的随机抽样法抽取样本,得到分布均匀稳定的样本点;对样本和模型进行预检验,以快速抛弃不正确的样本集及不稳定的临时模型;基于误匹配率和平均误差实现对迭代次数与内外点判别阈值的自适应调整,并将一致集内点数量与对极距离平均值同时作为最优一致集判断标准,确保在获得尽可能多内点的条件下得到误差最小的结果,并通过实验对本文提出的改进RANSAC算法与RANSAC算法的效果进行比较。再次,利用改进RANSAC算法实现匹配点提纯及基础矩阵鲁棒性估计。将改进RANSAC算法与8点法相结合,通过迭代计算对由SIFT算法得到的含有误匹配的初始匹配点集以及经区域生长后的匹配点集进行提纯,检测并消除错误的匹配点,使最终得到的匹配点集相对准确可靠;用算法结束后所得到的最优内点集估算基础矩阵,提高基础矩阵的精度。实验表明,该方法提高了算法的运算速度与精度。然后,采用基于Kruppa方程的自标定方法计算摄像机内参。利用两幅图像间存在的二次非线性约束关系,即欧式变换中具有不变性的绝对二次曲线成像和极线变换的概念求出Kruppa方程,通过计算Kruppa方程组的解得到摄像机的内参数。最后,实现建筑物级别的三维重建。利用前面研究工作中所得到的相关实验结果,恢复出采集图像时普通摄像机的相对位姿及三维场景信息,并将得到的离散三维点云进行三角化处理,得到完整的三维模型,实现三维重构。