基于立体视觉方法的图像三维模型重建研究

论文摘要

立体视觉是由多幅图像获取物体三维几何信息的方法。该技术结合了计算机视觉、图像处理以及计算图形学等诸多领域的方法和理论,是当前研究的一个热点。被动式三维重建方法,无需对空间场景进行人为处理,就可以获取场景空间信息,达到三维重建的目的,其应用前景广泛。本文从立体视觉角度出发,对射影几何意义下的图像三维重建方法进行了研究。该方法只需对摄像机进行弱定标（Weak Calibration）,就可以实现三维重建的目的。本文完成以下工作:1.阐述射影几何意义下三维重建的理论基础,确定了本文的实现方法和步骤。2.采用Harris和SUSAN算法提取特征点,使用相关函数对特征点进行匹配,最后使用松弛方法对匹配结果进行置信度排序。3.总结了计算基础矩阵（Fundamental Matrix）的各种算法,并对其进行比较,确定鲁棒性方法M-Estimators稳定性较好。4.在射影几何意义下将基础矩阵分解成两个投影矩阵,提取基元并计算基元的三维空间坐标。5.运用MATLAB、Visual C++和OpenGL完成三维模型重建,通过具体实例验证该方法的可行性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 三维重建技术发展现状
• 1.3 课题的提出
• 1.4 课题的技术背景
• 1.4.1 特征点提取技术背景
• 1.4.2 立体匹配技术背景
• 1.4.3 估计基础矩阵技术背景
• 1.5 本文研究意义与组织结构
• 1.5.1 研究意义
• 1.5.2 本文的组织结构
• 第二章 立体视觉
• 2.1 摄像机的线性模型
• 2.1.1 图像坐标系、摄像机坐标系与世界坐标系
• 2.1.2 线性摄像机模型（针孔模型）
• 2.2 立体视觉
• 2.2.1 空间点重建
• 2.2.2 空间直线重建
• 2.3 极线几何
• 2.4 射影几何意义下的三维重建
• 2.5 本章小结
• 第三章 图像特征点提取和匹配
• 3.1 特征点的提取
• 3.1.1 Harris 算法
• 3.1.2 SUSAN 算法
• 3.2 特征点的匹配
• 3.3 采用松弛方法消除虚假匹配
• 3.3.1 候选匹配度
• 3.3.2 候选匹配的排序
• 3.4 HARRIS和 SUSAN 试验比较
• 3.4.1 特征点提取试验结果对比
• 3.4.2 特征点匹配算法试验结果分析
• 3.5 本章小结
• 第四章 基础矩阵的估计方法
• 4.1 基础矩阵的性质
• 4.2 基础矩阵的估计方法
• 4.2.1 多于八个匹配点分析方法
• 4.2.1.1 线性最小二乘法
• 4.2.1.2 特征值分析方法
• 4.2.1.3 基础矩阵秩约束
• 4.2.1.4 线性方法的几何解释
• 4.2.1.5 数据预处理方法（Normalizing Input Data）
• 4.2.2 点到外极线距离的最小化
• 4.2.3 鲁棒性方法 M-Estimators
• 4.3 比较基础矩阵
• 4.4 本章小结
• 第五章 图像三维空间重建
• 5.1 三维坐标重建方法
• 5.1.1 线性方法
• 5.1.2 线性迭代方法
• 5.2 立体视觉匹配
• 5.2.1 三摄像机立体视觉匹配
• 5.2.2 两摄像机的直线匹配
• 5.3 提取直线方程
• 5.3.1 Hough 变换
• 5.3.2 使用Hough 变换做峰值检测
• 5.3.3 使用Hough 变换做线检测和链接
• 5.3.4 Hough 变换提取直线实例
• 5.4 本章小结
• 第六章 射影几何意义下三维重建实现
• 6.1 射影几何意义下三维模型重建
• 6.1.1 三维模型重建的开发环境及功能
• 6.1.2 三维重建的具体实现步骤
• 6.2 射影几何意义下三维重建过程具体实现
• 6.2.1 图像特征点的提取和匹配
• 6.2.2 基础矩阵的计算
• 6.2.3 基元的三维坐标的计算
• 6.2.4 重建场景在OpenGL 中显示
• 6.3 本章小结
• 第七章 总结与展望
• 7.1 论文总结
• 7.2 展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文及研究成果