[发明专利]一种面向多视图三维重建的初始视图选取方法

说明书

本发明公开了一种面向多视图三维重建的初始视图选取方法，属于计算机视觉与计算机图形学领域。该方法包括以下步骤：S1：输入应用场景的图像序列、特征点以及所采用的摄像机的内部参数；S2：计算任意两幅视图之间的基本矩阵；S3：计算摄像机的投影矩阵；S4：计算三维点在视图上的投影点和反投影误差；S5：计算任意两幅视图之间的单应性矩阵和单应性误差；S6：计算任意两幅视图之间的特征点位置误差之和；S7：选取输入图像序列中特征点位置误差之和最小的两幅视图作为多视图重建的初始视图。本发明的方法能够快速稳健地进行初始视图选取，选取效果好，并能适用任意场景，具有较强的通用性。

技术领域

本发明属于计算机视觉与计算机图形学领域，具体涉及一种面向多视图三维重建的初始视图选取方法。

背景技术

多视图三维重建是一种从图像序列获取场景的三维模型的一种技术，其技术本身被广泛地应用于虚拟现实、增强现实、城市规划、游戏、军事仿真、场景监控、变化检测、地图导航和无人驾驶等领域。由于多视图三维重建采用的是一种增量重建方法，即其中的两幅视图开始计算初始模型，然后逐渐的添加图像序列，直到输入图像序列处理完毕。由于初始视图的选取对三维模型的之间具有重要影响，对于一些规模较大的场景进行重建时，如果初始视图选取不当，可能会导致无法重建出场景的三维模型。

为了能够有效得进行初始视图选取，以便能够重建出高质量的三维模型，现有技术中，科研人员提出了很多方法。例如论文《Next best view planning for active modelimprovement》提出了一种初始视图选取方法，但该方法依赖于三维模型(Dunn E,Frahm JM.Next best view planning for active model improvement.British Machine VisionConference,BMVC 2009,London,UK,September 7-10,2009.Proceedings.DBLP,2009.)论文《Covariance propagation and next best view planning for 3d reconstruction》提出的方法依赖于不确定性迭代机制，降低了方法的时间效率，因此效率较低(Haner S.,Heyden A.Covariance propagation and next best view planning for 3dreconstruction.Computer Vision–ECCV 2012.ECCV 2012.Lecture Notes in ComputerScience,vol 7573.Springer,Berlin,Heidelberg)。论文《How to select goodneighboring images in depth-map merging based 3d modeling》提出的方法依赖于量子启发式搜索算法，导致三维重建过程很耗时，因此效率较低(Shen S,Hu Z.How toselect good neighboring images in depth-map merging based 3d modeling.IEEETransactions on Image Processing,2014,23(1):308-318.)。论文《Match selectionand refinement for highly accurate two-view structure from motion》的方法仅适用于两视图的三维重建场景，因此非常具有局限性，很难是由多视图的三维场景重建(LiuZ,Monasse P,Marlet R.Match selection and refinement for highly accurate two-view structure from motion.2015.)。论文《Determining an initial image pair forfixing the scale of a 3d reconstruction from an image sequence》提出的方法仅适用于固定场景范围下的三维重建，因此具有很强的局限性(Beder C,SteffenR.Determining an initial image pair for fixing the scale of a 3Dreconstruction from an image sequence.Pattern Recognition.Springer BerlinHeidelberg,2006.)。