基于圖片序列的三維重建技術(shù)探究

陳思思

摘要：基于圖片序列的三維重建技術(shù)的應(yīng)用成本較低、操作更加簡易，因此受到7更多的關(guān)注與使用。基于此，本文針對超大規(guī)模數(shù)據(jù)集、超大分辨率的圖像特征進行提取與匹配的難點，提出了基于哈希的全局哈希匹配算法，并以分層重構(gòu)、內(nèi)參初始化、多視圖重構(gòu)、重構(gòu)流程為切入點，闡述了基于圖片序列的三維重建。

關(guān)鍵詞：圖片序列 三維重建技術(shù) 全局哈希匹配

引言

現(xiàn)階段，計算機視覺技術(shù)不斷發(fā)展，也愈加成熟，被應(yīng)用于更多的領(lǐng)域中，包括輔助醫(yī)療、建筑可視化、古文物展示、電腦游戲產(chǎn)業(yè)、三維立體電影、虛擬現(xiàn)實等等，主要為各個行業(yè)領(lǐng)域提供具有高真實感的三維模型。其中，基于圖片序列的三維重建技術(shù)的應(yīng)用成本較低、操作更加簡易，因此受到了更多的關(guān)注、研究與應(yīng)用。在基于圖片序列的三維重建技術(shù)支持下，能夠?qū)σ唤M隨意拍攝的圖片序列完成相機運行位置、有紋理場景的三維模型重建，使用價值更高。

1圖片集合特征匹配

在基于圖片序列的三維建模過程中需要重點對超大規(guī)模數(shù)據(jù)集、超大分辨率的圖像特征進行提取與匹配，而原有的提取與匹配方式已經(jīng)無法滿足的當(dāng)前的需求。因此，提出一種更高效、快速的匹配算法更加重要。

針對這一情況.筆者提出了基于哈希的全局哈希匹配算法。當(dāng)圖片的數(shù)量較大時，使用兩兩匹配的效率較低。此時，若是可以在點匹配前就得到圖像直接的匹配關(guān)系，則能夠?qū)崿F(xiàn)匹配速度的提升。為了實現(xiàn)這一目標(biāo)，可以應(yīng)用全局迭代哈希匹配（計算）的方式完成圖片集合特征匹配，確保能夠在圖片量大、關(guān)系較稀的背景下提升匹配速度。

全局迭代哈希計算過程如下對圖像集合構(gòu)建其圖像的哈希特征，并完成編碼接著后建起初始匹配圖與候選匹配圖最終實現(xiàn)完全匹配。其中，在構(gòu)建圖像的哈希特征時，可以將哈希分桶中桶的個數(shù)是作為圖像哈希特征的維度，將特征點落人哈希桶中的個數(shù)作為相應(yīng)維度的值，完成表示圖像全局特征的哈希特征構(gòu)建。

2基于圖片序列的三維重建

2.1分層重構(gòu)

在不清楚相機的坐標(biāo)位置和方向、但是了解第二個相機相對于第一個相機的位置與方向時，并不能得出相機相對世界坐標(biāo)系的絕對位置、或是場景點的位置坐標(biāo)，最多能夠了解到場景點相對于相機的位置。結(jié)合歐幾里得變換，能夠完成重建三維模型與真實三維場景的變換。此時，利用公式pm= KR^T（M -C），可以得到第一幅圖像與第二幅圖像的投影公式。由于在計算中并不了解R與C，因此可以引入歐幾里得變換，設(shè)M= Rir（M_C1），則能夠得到p，m1= KiM;p2m2= K2R2rRIM+ K2R2r（cl - C2）。以此夠得出M，其與實際的M僅相差一個歐幾里得變換。

在僅掌握第二個相機相對于第一個相機的方向、且距離未知的條件下，可以使用測度重建結(jié)合歐幾里得變換的方式完成重建三維模型與真實三維場景的變換。在這一過程中，需要使用對極幾何公式Pe2e2= K2R2r（c1 - Cz）。在僅掌握第二個相機相對于第一個相機的方向、且相機內(nèi)參未知的條件下，可以使用仿射重建的方式。此時，重建三維模型的坐標(biāo)系與真實世界坐標(biāo)系之間僅相差一個仿射變換。若是在相機之間的相對方位也未掌握、僅了解兩幅圖像之間的直接對應(yīng)點關(guān)系時，可以利用攝影重構(gòu)的方式完成三維場景的重建。

2.2內(nèi)參初始化

想要對相機運動以及空間結(jié)構(gòu)進行恢復(fù)，就必須要提前輸入或是預(yù)估圖像的相機內(nèi)參數(shù)，可以使用相機拍攝標(biāo)定物的方式完成相機內(nèi)參數(shù)的估計，也可以使用電子相機提供的圖片文件信息實現(xiàn)。

當(dāng)利用固定焦距的電子相機完成圖片捕捉時，相機內(nèi)參保持不變，因此，在使用相機相同且放大倍數(shù)不更改的條件下，能夠?qū)λ械膱D片完成相同內(nèi)參矩陣的估計。使用這一方式得出的內(nèi)參精度較高，但是工作量較大，且對于采集圖片的要求更高。

為了彌補這一不足，可以使用電子相機提供的圖片文件信息實現(xiàn)相機內(nèi)參數(shù)的估計。對于電子相機圖片來說，其能夠同時保存更加多元的信息，包括焦距、快門速度、光圈大小、型號、制造商等等。利用這些信息，能夠完成相機焦距的提取，并估計相應(yīng)的相機內(nèi)參。

2.3多視圖重構(gòu)

對于一對給定的圖像來說，在已知相機參數(shù)以及圖像對應(yīng)點關(guān)系的條件下，結(jié)合三角定位能夠重建出對應(yīng)點的空間坐標(biāo)。需要注意的是，在這樣的計算方式下，得到的空間坐標(biāo)并非是物體實際的空間坐標(biāo)。所以，也需要對兩兩圖像獲取的三維空間點進行整合，將其轉(zhuǎn)換到同一尺度的坐標(biāo)系下，完成場景三維空間結(jié)構(gòu)的獲取。

另外，在噪音的影響下，利用采集圖像完成的特征檢測與匹配會性存在一定的誤差。利用這些誤差，在匹配計算的支持下，能夠獲取一組三維坐標(biāo)的初始估計、基于不同圖像的視圖參數(shù)的初始估計。筆者在實踐中發(fā)現(xiàn)，為了獲取更加精確的三維重建結(jié)構(gòu)，就必須要對三維結(jié)構(gòu)以及視圖參數(shù)展開集束調(diào)整優(yōu)化。

2.4重構(gòu)流程

三維重構(gòu)的主要步驟如下：第一，確定基準(zhǔn)圖像對。此時，需要對圖像匹配對中符合單應(yīng)關(guān)系的特征點比例完成計算，并在匹配點對數(shù)大于200的匹配對中選擇最低比例的匹配對。第=，基準(zhǔn)結(jié)構(gòu)初始化。此時，要結(jié)合上一步驟中確定的基準(zhǔn)圖像對完成基礎(chǔ)矩陣的計算，并使用初始化內(nèi)參完成基準(zhǔn)攝像矩陣對的獲取。同時，要對匹配對展開三角化，得出初始的空間點集，并在集束調(diào)整優(yōu)化的支持下完成參數(shù)更新。第三，展開迭代重建。在這一過程中，應(yīng)當(dāng)先完成重建候選圖像的確定與加入，接著估計相機位置，最后實現(xiàn)集束調(diào)整。第四，實現(xiàn)全局優(yōu)化。要對所有的三維空間點、圖像相機位置展開全局性二道集束調(diào)整優(yōu)化，確保空間結(jié)構(gòu)的更加合理。

另外，由于特征點比場景圖片的數(shù)量更少，因此能夠獲取的三維空間點數(shù)量也較少，并不能更好的滿足場景建模的需求。在這一情況下，可以使用基于片面模型的PMVS算法獲得稠密的點云數(shù)據(jù)，提升三維重建的質(zhì)量。

3總結(jié)

綜上所述，在基于圖片序列的三維建模過程中，需要重點對超大規(guī)模數(shù)據(jù)集、超大分辨率的圖像特征進行提取與匹配，因此使用基于哈希的全局哈希匹配算法能夠提升匹配速度。通過分層重構(gòu)、內(nèi)參初始化、多視圖重構(gòu)，并在遵循重構(gòu)流程的方式下，實現(xiàn)了基于圖片序列的三維重建。

參考文獻

[1]楊靜.基于多視圖的非增量式三維重建關(guān)鍵技術(shù)的研究與應(yīng)用[D].中國科學(xué)院大學(xué)（中國科學(xué)院沈陽計算技術(shù)研究所），2018，

[2]羅米，趙霞，陳萌等.基于分段式序列圖片集的運動恢復(fù)結(jié)構(gòu)[J].計算機工程與應(yīng)用，2018，54（22）： 205-210+245.