CCD双目视觉三维测量

论文摘要

人们感知各种外界的信息,其中百分之八十是通过眼睛的视觉得到的。而计算机视觉的目的就是使计算机模仿人类的视觉功能,去感知、理解和分析利用摄像机拍摄的图像,利用这些图像恢复物体的三维场景。随着计算机视觉技术的发展,基于双目视觉的三维重建具有成本低,易操作等优点,从而受到了广泛的重视和应用。本文研究了基于CCD双目视觉的三维重建技术,利用普通的数码摄像机拍摄图片,通过摄像机定标,特征点的检测和匹配,基础矩阵和本质矩阵的计算,从而实现了基于两幅图像的三维重建。论文首先在张正友标定方法上的相机标定工具箱(Camera Calibration ToolBox for Matlab),实现了相机的标定。利用SIFT特征点的检测和匹配方法进行图像特征点的检测和匹配。其次采用了RANSAC算法计算基础矩阵,在基础矩阵的基础上计算出本质矩阵,利用前面获取的照相机内参数和基础矩阵获得的本质矩阵,重建物体的特征点,并进行纹理贴图。最后,给出了基于双目视觉三维重建的实验结果和分析,在此结果上可以进行下一步的工作。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题意义和背景
• 1.2 计算机视觉的发展
• 1.3 三维重建简述
• 1.4 研究内容与论文安排
• 第二章 摄像机标定
• 2.1 摄像机模型
• 2.1.1 参考坐标系
• 2.1.2 摄像机针孔模型
• 2.2 摄像机标定方法
• 2.2.1 标定方法分类
• 2.2.2 Tsai标定法
• 2.2.3 张正友标定法
• 2.3 Matlab相机标定工具箱的应用
• 2.3.1 相机标定的前期准备
• 2.3.2 读入图像
• 2.3.3 角点检测
• 2.3.4 相机标定
• 2.3.5 后续工作
• 2.4 本章总结
• 第三章 特征点检测与匹配
• 3.1 特征点检测与匹配简介
• 3.2 常用的特征点检测与匹配算法
• 3.2.1 CSS角点算法
• 3.2.2 SUNSAN特征点检测
• 3.2.3 Harris特征点检测
• 3.3 SIFT角点检测与匹配算法
• 3.3.1 建立尺度空间
• 3.3.2 精炼特征点的位置
• 3.3.3 计算特征点的主方向
• 3.3.4 计算描述符
• 3.3.5 采用SIFT进行特征点检测和匹配的效果图
• 3.4 本章小结
• 第四章 基于双目视觉的三维重建
• 4.1 对极几何与基础矩阵
• 4.1.1 对极几何
• 4.1.2 基础矩阵
• 4.2 基础矩阵的求解方法
• 4.2.1 7点算法
• 4.2.2 8点算法与改进的8点算法
• 4.2.3 RANSAC算法
• 4.3 本质矩阵
• 4.3.1 本质矩阵的定义
• 4.3.2 本质矩阵的性质
• 4.3.3 利用本质矩阵来推算摄像设备外参数
• 4.3.4 由摄像机内参数和外参数重建已知的匹配特征点对
• 4.4 点的三维重建结果和贴图
• 4.4.1 三维重建步骤
• 4.4.2 三维重建结果
• 4.5 本章总结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献