基于计算机视觉的活立木三维重建方法

论文摘要

中国木材需求量大,产量不足,发展人工林是解决这一问题的有效办法。合理抚育是提高人工林木材产量和质量的重要环节,智能型抚育装备是现代抚育的关键装备,智能型抚育装备包括地面修枝机器、间伐机器和爬树整枝机等,都配装备有计算机视觉系统。未来自动联合采伐装备也将配备计算机视觉系统,在林区自主行走和进行采伐作业。活立木三维重建方法是智能型抚育装备和自动联合采伐装备等林业装备的视觉系统中的关键技术,也是本文的核心内容。本文对针对智能型林业装备配备的单个相机或者两个相机从不同角度获取的同一活立木二维图像,利用双目立体视觉基本原理,研究活立木三维重建方法,即恢复活立木的三维信息。本文从活立木枝干提取、特征（角点）提取和匹配、射影重建、相机自标定和欧氏三维重建几个方面进行了详细的阐述。通过活立木枝干信息提取去除活立木的细小枝丫,得到活立木较大的枝干,为后续的三维重建服务;通过特征（角点）提取和匹配得到活立木不同角度图像中对应点对;在射影重建部分先求两幅图像之间的基本矩阵然后以第一幅图像拍摄位置的坐标为参考坐标进行射影重建;通过基于基本矩阵的相机自标定方法求解相机的内参数K,从本质矩阵估计相机的运动参数,即计算出旋转矩阵R和平移矢量t,最后根据相机内外参数和左右图象的匹配点坐标估计活立木枝干在欧氏空间下的三维坐标信息。本研究获得以下几点重要结论和创新点:1.提出了两种活立木图像分割方法,一种是基于粒子群算法的水平集活立木图像分割方法,另一种是基于数学形态学的树木图像分割方法。基于粒子群算法的水平集图像分割方法将C-V模型PDE求解问题视为一个最优化问题,利用粒子群最优化算法进行求解,实验证明该方法对不同背景的图像的两类分割问题很有效。基于数学形态学的树木图像分割方法先对灰度图像用分水岭算法进行分割,再用自动阈值法消除分水岭算法产生的过度分割问题,实验表明该方法的分割效果比Sobel算子等方法有效。这两种方法都能有效解决了复杂背景下活立木的图像分割问题。2.提出了一种基于SIFT角点检测和NCC匹配原则相结合的角点检测与匹配方法,该方法结合了SIFT角点检测尺度变换不变性的优点和NCC匹配速度快的优点,实验结果表明该方法检测角点的精度比Harris和SUSAN方法的高,运算速度比传统SIFT的快。3.提出了一种基于粒子群算法的基本矩阵估计算法,该方法解决了8点法在匹配点对较多时如何选择最佳8对匹配点对的问题,得到了在全局最优意义下的基本矩阵估计方法;但该方法也有一定的缺点就是算法的时间复杂度较高,需要进一步研究快速算法。4.提出了一种基于遗传算法的相机内参数估计方法,该方法将摄像机自标定转化为一个求解代价函数的最小值问题,用遗传算法进行求解。5.本文采用计算机视觉基本理论对活立木进行三维重建,恢复活立木枝干的三维信息的方法是行之有效的。实验结果表明该方法可以应用到智能型林业装备的视觉系统中,解决其在作业过程中估计立木枝干三维信息的问题。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景与意义
• 1.2 MARR计算机视觉理论框架
• 1.2.1 视觉系统研究的三个层次
• 1.2.2 视觉信息处理的三个阶段
• 1.2.3 计算机视觉研究的复杂性
• 1.3 计算机视觉的三维重建研究综述
• 1.4 本文的研究内容
• 2 双目立体视觉基础
• 2.1 射影几何基础
• 2.1.1 齐次坐标
• 2.1.2 二维射影
• 2.1.3 三维射影
• 2.1.4 射影几何变换
• 2.2 摄像机成像模型
• 2.2.1 坐标系统
• 2.2.2 针孔成像模型
• 2.2.3 非线性摄像机模型
• 2.3 双目立体视觉原理
• 2.3.1 双目立体视觉系统的结构
• 2.3.2 双目立体视觉模型
• 2.4 小结
• 3 活立木枝干提取
• 3.1 图像预处理
• 3.1.1 图像灰度化
• 3.1.2 图像压缩
• 3.2 图像分割
• 3.2.1 图像分割的概述
• 3.2.2 基于水平集的图像分割方法
• 3.2.3 基于数学形态学的图像分割方法
• 3.3 立木枝干提取
• 3.3.1 图像滤波
• 3.3.2 消除孤立点
• 3.3.3 立木枝干的提取
• 3.4 小结
• 4 角点检测与匹配
• 4.1 角点检测
• 4.1.1 Harris角点检测
• 4.1.2 SUSAN角点检测
• 4.2 角点匹配
• 4.2.1 基于灰度的匹配算法
• 4.2.2 基于特征的匹配算法
• 4.2.3 SIFT匹配方法
• 4.3 SIFT角点检测与NCC匹配
• 4.3.1 SIFT角点检测
• 4.3.2 基于NCC的匹配
• 4.3.3 实验结果与分析
• 4.4 小结
• 5 基本矩阵估计与射影重建
• 5.1 基本矩阵的估计
• 5.2 基于粒子群优化的基本矩阵估计
• 5.2.1 粒子群优化基本原理
• 5.2.2 基于粒子群优化估计基本矩阵
• 5.2.3 实验结果与分析
• 5.3 射影重建
• 5.3.1 因式分解方法
• 5.3.2 实验结果与分析
• 5.4 小结
• 6 相机自标定与欧氏重建
• 6.1 自标定方法概述
• 6.1.1 Kruppa方程的标定
• 6.1.2 分层逐步标定
• 6.1.3 Pollefeys的模约束
• 6.2 基于遗传算法的自标定
• 6.2.1 Kruppa方程与基本矩阵的关系
• 6.2.2 遗传算法基本原理
• 6.2.3 基于遗传算法的摄像机内参数计算
• 6.2.4 实验结果与分析
• 6.3 欧氏三维重建
• 6.3.1 运动参数估计
• 6.3.2 运动参数优化
• 6.3.3 场景点三维坐标估计
• 6.3.4 实验结果与分析
• 6.4 小结
• 7 结论与展望
• 7.1 结论
• 7.2 展望
• 附表
• 参考文献
• 个人简介
• 导师简介
• 在读博士期间发表论文和申请专利
• 致谢