当前位置：问答库＞论文摘要

基于图像的三维重建是计算机视觉中的重要研究内容，它以图片序列和相机参数为输入，通过计算生成三维点云并重建为三角网格模型，在增强现实、影视动画、文物保护、目标识别等领域有广泛的应用。目前主流的多视图三维重建算法主要有深度图融合法和表面贴片扩张法。深度图融合法将双目立体匹配得到的多幅深度图进行点云融合，融合过程中需要处理大量噪点，而且立体匹配的结果易受光照等因素的影响；表面贴片扩张法通过多目立体匹配提高算法的鲁棒性，但算法复杂、计算量大。本文提出一种基于特征匹配和渐进扩张的重建方法，并利用GPU对算法进行并行加速，兼顾了重建的精度和效率。论文的主要工作包括： 1．设计了一个基于特征匹配和渐进扩张的三维重建方法。通过Harris和DoG算子对图像进行特征提取，通过极线约束找到不同图像中的匹配特征点；每对匹配特征点形成一个三维点，利用贴片对这些三维点进行优化后形成一个稀疏点云；通过两次不同粒度的扩张算法使稀疏点云逐步变成稠密点云，每次扩张后对点云进行噪点过滤；通过表面重建算法将点云转化为三角网格模型。 2．设计了基于GPU的并行特征提取方法和并行非线性优化方法。重建算法中主要耗时的部分包括特征提取、特征匹配、点云扩张，利用GPU对特征点提取进行并行加速，设计并实现了GPU_Harris和GPU_DoG；特征匹配和点云扩张中都包含的大量非线性优化问题，利用这些问题的独立性以及GPU的高并发性，设计了一种基于GPU的并行非线性优化方法；并在此基础上，实现了基于GPU的特征匹配和点云扩张方法。 3．设计并实现了一个可视化重建工具GMVS。GMVS主要实现了基于特征匹配和渐进扩张的三维重建方法，并通过GPU进行并行加速，主要提供了选择输入目录、配置重建参数、生成三角化网格模型、分阶段生成点云模型等功能。 Middlebury系统的测试结果表明，本文重建方法取得了较高重建精度，特别是对DinoRing数据集的重建完成度达到了98.9%，在所有已提交算法中排在13位。由于使用了GPU对算法进行加速，重建时间减少约80%，实现了兼顾精度与效率的目标。