基于自适应聚合与深度优化的三维重建算法

针对现有基于多视图的三维重建方法未充分考虑像素点在其余视图的可见性,从而导致重建完整度不足,且在弱纹理和遮挡区域重建困难等问题,提出了一种应用于高分辨率的三维重建网络。首先提出了一种引入可见性感知的自适应成本聚合方法用于成本量的聚合,通过网络获取视图中像素点的可见性,可以提高遮挡区域重建完整性;基于方差预测每像素视差范围,构建空间变化的深度假设面用于分阶段重建,在最后一阶段提出了基于卷积空间传播网络的深度图优化模块,以获得优化的深度图;最后采用改进深度图融合算法,结合所有视图的像素点与3D点的重投影误差进行一致性检查,得到密集点云。在DTU数据集上与其他方法的定量定性比较结果表明,提出方法可以重建出细节上表现更好的场景。

3D-SIFT特征提取与体素滤波结合的点云精简算法

点云数据中的冗余数据会影响到点云处理算法的速度,因此,为提升算法速率,需对点云数量进行精简。然而,点云精简过程容易剔除掉特征点,导致点云信息不完整,效果不好等问题。针对这些问题,提出一种利用3D-SIFT特征提取与八叉树体素滤波结合的点云精简方法。利用3D-SIFT算法提取出点云的强特征点和弱特征点,对弱特征点进行改进的八叉树体素滤波,并保留强特征点,通过点云合并,将滤波后的弱特征点与保留的特征点整合到一起,使得精简后的点云数据不丢失特征点信息,从而也达到了精简的效果。将本算法与均匀网格算法、非均匀网格法、随机采样算法进行对比实验。通过多个不同模型的可视化结果和信息熵评价分析,可以得出对于几种不同模型取平均本算法平均信息熵达到3.771 92,高于其他算法的信息熵,证明本算法在对数据进行精简的同时也达到了特征保留的效果。