三维重建是利用多个二维图像或深度照相机等仪器设备,来确定物体的空间位置信息及立体几何形状。由于其实用性强,可以精确还原真实场景或物体等特点,被广泛应用在医疗,文物修复,国防等多个领域中。但是目前,三维重建仍存在着获取物体的三维信息过程繁琐,精度不够等缺点,不能满足当代人们对三维信息与三维模型的大量需求。因此,如何简单、方便的获取高精度的物体或场景的三维信息,并高效地重建出可还原物体或场景真实效果的三维模型已成为计算机视觉技术中的一个热点研究方向。而随着计算机视觉技术的快速发展以及硬件设备的不断完善,大量的深度传感设备出现在大众的眼前,如微软的Kinect、华硕的Xtion PRO等,为三维重建的研究开辟了一条新的道路。本文采用Kinect深度传感器,针对深度图像的三维重建技术展开研究,并应用于自动化设备建模中。本文针对三维重建中的多个关键技术展开研究,具体内容如下:首先,获取被重建对象的深度图像。利用Kinect深度传感器对被重建物体进行扫描,获取被重建物体的深度信息,将二维的深度图像转化成三维的点云数据,从而获取重建对象表面的三维点云信息。其次,改进自适应人工萤火虫-粒子群算法。该算法前期针对人工萤火虫算法初始个体分布不均的问题,引入Logistic映射对种群进行初始化,并运用一种动态分组策略的自适应步长方法,协调算法的搜索步调,加快算法收敛速度,后期结合粒子群算法,将每次迭代寻优的结果生成粒子群算法的初始种群,针对人工萤火虫算法解的精度不高的问题,利用粒子群算法的收敛速度快、解的精度高的优点搜索全局最优解。对改进的自适应人工萤火虫-粒子群算法进行了函数测试,结果表明改进的自适应人工萤火虫-粒子群算法的收敛速度优于标准粒子群和人工萤火虫算法。再次,优化迭代最近点(ICP)算法。首先针对ICP算法搜索对应点对速度慢的问题,采用一种基于K邻域的搜索对应点对的方法确定初始对应点对,提高搜索效率;然后针对未完全包含的点云在搜索对应点对产生噪声点和误匹配点的问题,采用距离权重与特征权重限制策略去除噪声点和误匹配点对,提高配准精度;最后针对点云初始位置相差较大而使ICP算法陷入局部最优的问题,采用一种初始配准和精细配准相结合的配准方法,先运用改进的自适应人工萤火虫-粒子群算法对点云进行初始配准,再用ICP算法进行精细配准,改进的配准方法解决了ICP算法因点云的初始位置相差较大而陷入的局部最优问题,保证了算法的精度与鲁棒性。实际应用表明,该方法提高了三维点云数据配准精度与效率。最后,对工业设备进行三维重建。在前面研究的基础上,由Kinect深度传感器得到3种工业设备的深度图像并转化成点云,结合三维点云的初始配准和精细配准,将三维点云转换到同一坐标系下,然后运用贪婪投影三角化算法对点云进行三角化处理,得到完整的三维模型,最终实现三维重建。
