基于图像的大场景三维重建并行算法研究

论文摘要

基于图像的大场景三维重建技术是计算机具备大场景视觉功能的前提条件,对研究计算机视觉具有很大的学术价值,不仅如此,其还在测绘和城市规划、文物保护以及军事和3D娱乐等方面存在着广泛的实际应用。因此,受到了国内外学者的广泛关注。而现行重建算法并不适用于大场景三维重建,主要存在如下问题：提取图像特征时,若图像存在较大的径向畸变和仿射变换,检测不到大量稳定的特征点；利用捆集调整优化三维重建最终结果时,优化精度不够高；图像特征提取、特征匹配以及捆集调整过程都存在算法时间复杂度过大和耗时量巨大的问题。针对上述问题,本文提出了具有图像径向畸变和仿射变换不变性的SIFT图像特征提取并行算法、图像特征匹配并行算法以及改进的捆集调整并行算法。首先,分析了径向畸变图像摄像机模型,并把该模型引入到SIFT算法中的高斯函数和校正特征描述中的梯度,得到了具有图像径向畸变不变性的SIFT特征提取算法。阐述了仿射变换模型,在利用本文提出的图像特征提取算法提出图像特征前,模拟相机光轴变化,对图像进行预处理消除图像仿射变换。研究了在GPU上实现图像预处理和特征提取算法的并行化。其次,分析了特征匹配算法的架构：先对图像特征进行匹配,然后剔除误匹配的特征点对。在对图像进行特征匹配时,先在GPU上并行构建kd-tree,然后利用优先级搜素方法在GPU并行搜素图像所有特征点的最近邻和次近邻点。在剔除图像误匹配特征点对时,分析了基本矩阵模型的RANSAC算法,并把其改进为适合并行化处理的算法流程,并在GPU并行实现它。最后,介绍了捆集调整算法的原理,继而对捆集调整算法做了两方面的改进：一方面针对输入优化参数初值具有不同的不确定度,提出带权值捆集调整算法；另一方面采用预先共轭梯度法解决捆集调整算法中求解方程问题。并且采用GPU去实现本文提出的捆集调整并行算法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.2.1 图像特征提取
• 1.2.2 图像特征匹配
• 1.2.3 三维结构恢复
• 1.2.4 捆集调整
• 1.3 基于图像的大场景三维重建存在的技术难点
• 1.4 本文结构与贡献
• 1.4.1 论文结构
• 1.4.2 贡献与创新
• 第2章 并行算法以及图像处理器技术
• 2.1 并行算法
• 2.1.1 并行算法的目标
• 2.1.2 并行计算模型
• 2.1.3 并行算法的基本设计技术
• 2.1.4 并行算法的性能质量
• 2.2 图形处理器技术
• 2.2.1 图形处理器
• 2.2.2 CUDA
• 2.3 本章小结
• 第3章 A-RD-SIFT特征提取并行算法
• 3.1 特征提取算法理论
• 3.1.1 大场景三维重建对图像特征提取算法的要求
• 3.1.2 SIFT特征提取算法
• 3.2 具有图像径向畸变不变性的SIFT算法
• 3.2.1 径向畸变图像摄像机模型
• 3.2.2 一种改进的具有自适用性的高斯函数
• 3.2.3 一种改进的具有图像径向畸变不变性的特征描述子
• 3.3 A-RD-SIFT算法
• 3.3.1 图像仿射变换
• 3.3.2 基于仿射模型的A-RD-SIFT算法
• 3.4 A-RD-SIFT并行算法
• 3.4.1 仿射模型校正图像并行化
• 3.4.2 具有图像径向畸变不变性的SIFT算法并行化
• 3.5 实验结果与分析
• 3.6 本章小结
• 第4章 图像特征匹配并行算法
• 4.1 特征匹配
• 4.1.1 Kd-tree空间剖分
• 4.1.2 Kd-tree并行算法
• 4.1.3 优先级搜索并行算法
• 4.1.4 图像特征匹配算法并行化实现
• 4.2 剔除误匹配特征点对
• 4.2.1 RANSAC算法
• 4.2.2 RANSAC算法在剔除误匹配特征点对中的应用
• 4.2.3 基于改进后的RANSAC剔除误匹配点对的并行算法
• 4.3 实验结果与分析
• 4.4 本章小结
• 第5章 捆集调整并行算法
• 5.1 捆集调整理论
• 5.2 一种改进的捆集调整算法
• 5.2.1 带权值的捆集调整算法
• 5.2.2 预先共轭梯度法求解捆集调整中方程
• 5.3 并行捆集调整算法
• 5.3.1 并行捆集调整算法原理
• 5.3.2 并行捆集调整算法在GPU上的实现
• 5.4 实验结果与分析
• 5.5 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文和获得的奖励