三维重构中的特征匹配和基础矩阵估计

论文摘要

计算机视觉的一个重要研究内容是通过二维图像实现三维重构。基于双目视觉的三维重构的实现有赖于两个方面的基础性工作,这两项工作分别是特征匹配技术和基础矩阵估计技术。本文回顾了三维重构、特征匹配以及基础矩阵估计技术的发展历史,对目前常用的几类典型特征点提取算法的性能和优缺点进行了分析,尤其对传统的Harris和SIFT算法进行了多个层次的对比。然后根据唯一性约束,对传统的匹配算法进行了相应的改进,并对基础矩阵的估计算法提出改进；在此基础上,实现了特征点的三维重构。本文主要工作包括下列内容：1)根据匹配点的邻域信息和唯一性约束,提出改进的归一化相关(NCC)匹配准则,并与传统的算法进行了比较。2)提出基于加权最小二乘法的SIFT匹配算法(WSIFT)。首先利用自适应阈值来调整特征点的个数,该阈值有助于提高算法效率。然后根据对极几何约束,引入加权最小二乘法对传统的匹配结果进行二次删选,降低了误匹配率。3)根据相关学者提出的特征提取的评价准则,提出了一种新的匹配评价准则。新的匹配评价准则的影响因素主要有：正确的匹配点数、误匹配点数以及两幅图像公共部分的特征点数。4)为了估计更加稳定的基础矩阵,本文结合迭代算法和RANSAC算法的思想,构造了一种新的估计手段。与RANSAC算法相比,本文算法减少了实验的循环次数,然后结合加权最小二乘法的思想,利用残差的平方倒数作为权值进行估计,实验结果表明本文算法在计算效率上有所提高。本文的三维重构实验是基于3参数模型进行,利用MATLAB 7.1平台对简单的几何图形和现实室内场景进行三维重构。实验表明,本文算法是切实可行的,相比传统算法提高了三维物体坐标的重构精度和稳定性。

论文目录

• 中文摘要
• Abstract
• 第一章 引言
• 1.1 研究背景和研究意义
• 1.2 国内外研究现状
• 1.2.1 三维重构技术
• 1.2.2 特征检测和匹配技术
• 1.2.3 基础矩阵的估计
• 1.3 本文的主要工作和章节安排
• 1.3.1 本文主要工作
• 1.3.2 本文章节安排
• 第二章 三维重构理论基础
• 2.1 齐次坐标（Homogeneous Coordinates）
• 2.2 摄像机成像中常用的坐标系
• 2.2.1 世界坐标系与摄像机坐标系
• 2.2.2 图像物理坐标系与图像像素坐标系
• 2.2.3 图像物理坐标系与摄像机坐标系
• 2.3 对极几何
• 2.4 加权最小二乘法
• 第三章 图像匹配技术
• 3.1 特征点检测算法
• 3.1.1 Moravec算法
• 3.1.2 Forstner算法
• 3.1.3 Harris算法
• 3.1.4 SIFT检测算法
• 3.2 特征点匹配算法
• 3.2.1 基于互相关（CC）的匹配算法
• 3.2.2 基于距离函数的匹配算法
• 3.2.3 双向匹配
• 3.3 常用算法的实验结果分析与比较
• 3.3.1 四类算法的特征检测结果
• 3.3.2 噪声、尺度以及旋转因素对匹配结果的影响
• 3.3.3 匹配阈值与方向性对匹配结果的影响
• 3.4 匹配算法的改进
• 3.4.1 改进的归一化互相关匹配算法
• 3.4.2 改进模型之二——WSIFT
• 第四章 基础矩阵F及其求解方式
• 4.1 基础矩阵F的求解
• 4.1.1 8点算法及其改进
• 4.1.2 归一化的迭代算法
• 4.1.3 鲁棒算法
• 4.2 改进的估计算法
• 4.3 基础矩阵的数值仿真实验
• 第五章 基于WSIFT匹配算法的三维重构
• 5.1 三维点的重构
• 5.1.1 单应矩阵
• 5.1.2 三维重构
• 5.2 三维点的重构
• 5.2.1 仿真实验
• 5.2.2 现实场景的三维重构
• 结论
• 参考文献
• 致谢
• 个人简历、在学期间的研究成果及发表的学术论文