[发明专利]一种无序图像的多视立体匹配的三维重建方法

摘要

本发明属于三维重建技术领域，涉及一种无序图像的多视立体匹配的三维重建方法。本发明的方法在视图选择算法部分，1)针对全局视图选择过程，首先引入判决条件，并自适应候选视图集中视图数目，不在是固定值的视图集。算法中对不满足条件的视图不进行打分。随着应用范围的不断扩大，实验数据集的视图数越来越多，因此减少视图选择的时间至关重要。2)对于局部视图算法本发明改进邻域视图与基准视图极平面夹角的权重影响因子，使得选择的邻域视图更加精确和有代表性。在视图匹配区域增长过程中3)本发明提出自适应形状空间平面片算法，自适应形状可以自适应的适应边界信息，得到更好地匹配结果。

主权项

1.无序图像的多视立体匹配的三维重建方法，其特征在于，包括以下步骤：S1、自然环境中采集多视角下的图像集；S2、提取图像集的特征点，进行图像特征匹配，估计相机的位置关系；具体方法为：S21、提取图像集的SIFT和SURF特征，并结合两特征进行图像的两两匹配，记录两视图间的匹配特征点对；S22、通过SFM算法得到相机的位置参数和空间稀疏的空间点；S3、利用全局视图选择算法确定基准视图的邻域视图候选集；具体方法为：对于包含N幅图像的大规模图像集，每幅视图都作为基准视图，利用基于图像级的全局视图选择算法选择基准视图的邻域视图候选集，包括：S31、通过如下公式1判断除基准视图和已选入邻域视图候选集外的视图是否满足计算打分值的判决条件：公式1中，其中R表示基准视图，V是待选视图，ftrace_i表示在视图i中可视的特征空间点，定义τ_min＝0.05,τ_max＝0.97；通过公式1获得基准视图的所有满足打分条件的视图；S32、通过如下公式2所示的打分函数对满足步骤S31中条件的视图打分：公式2中，视图V是待选视图，其中V∈N，N'是R和邻域视图集N的并集，F_X表示视图X的特征点集合，f∈F_V∩F_R表示f是基准视图R和待选视图V的匹配特征点的集合；w_N'(f)为待选视图与基准视图以及与已选入视图候选集中视图之间的相机光心射线夹角的权重，如下公式3：其中，α表示两视图的相机光心射线的夹角，相机光心射线是指空间点与相机光心的连线，w_α的形式为：w_α(f,V_i,V_j)＝min((α/α_max)²,1)；设置α_max＝10°；S33、w_s(f)是匹配待选视图与基准视图的分辨率，w_s(f)的形式为：其中，r＝s_R(f)/s_V(f)，s(f)表示以空间点f为中心的球体的直径，下标V和R分别表示视图V和视图R，w_s(f)值越大表示该视图与R的采样率相似；S34、选择打分值最高的视图加入该基准视图的邻域视图候选集中，然后再将剩余的视图重新计算打分值，选择打分值最高的加入候选集，不断地循环该过程，直至遍历所有满足判决条件的视图；S4、利用局部视图选择算法在邻域视图候选集中选择基准视图的4邻域视图集；具体方法为：对基准视图中的每个特征点利用局部视图选择算法选择其4邻域视图；首先选择其中一个特征点，构建打分函数，筛选出与基准视图的可视特征点相似性较大的4邻域视图，包括：S41、构建局部视图的打分函数如下公式4所示：S42、遍历邻域视图候选集中的视图，分别计算待选视图与基准视图中该特征点匹配的像素点的光度一致性，用NCC值表征，如下公式5：其中，v₀,v₁是n×n的图像块，和表示图像块中所有像素值的平均值；可视点在R中对应的图像块和在邻域视图V上对应的图像块的NCC越大，表明两视图越匹配，因此忽略候选视图集中NCC<0.3的视图；S43、通过如下公式6计算待选视图与基准视图的之间的相机光心射线夹角α_rv的权重：通过如下公式7计算待选视图与已选入邻域视图集中视图的空间关系w(V,V')：w(V,V')＝w_v(V,V')·w_e(V,V')(公式7)其中，w_v(V,V')表征视图V,V'相机光心射线夹角α_vv'的关系：w_e(V,V')表征视图V,V'分别与基准视图构成的极平面的夹角权重：其中β_vv'是视图v,v'与基准视图的极平面的夹角，一般β取锐角形式；设置σ_β设置形式为：S44、选择打分值最高的视图加入邻域视图集中，循环计算打分值，直到选择出4邻域视图；如果迭代中没有找到4邻域视图，则将该点删除；S5、计算种子点的匹配置信度，构建置信度优先队列，对满足条件的种子点将其四邻域点中没有重建的点加入队列中，再将该种子点在队列中删掉，直到优先队列中为空停止迭代；最终得到空间点云；S6、根据步骤5中得到点云信息，通过泊松建面得到完整的三维模型。