一种稳健性增强和精度提升的增量式运动恢复结构方法

增量式运动恢复结构(ISFM)实现了无序影像的三维重建,在精细化建模、现实场景三维记录以及互联网影像三维重建等领域发挥了重要的作用。但增量式运动恢复结构方法仍存在稳健性差和精度低等方面的问题,常导致三维重建结果难以令人满意甚至三维重建失败,严重限制了增量式运动恢复结构技术的发展应用。本文提出了一种增强稳健性、提升精度的运动恢复结构方法。本文方法有如下3点贡献:①针对立体影像特征匹配结果误差点多的问题,提出了一种顾及特征响应值的参数自适应RANSAC方法,在有效剔除误匹配的同时,最大限度地保留了正确的匹配点;

基于增量式SFM的特定目标加速定位方法

针对当前增量式运动恢复结构法中每加入一幅图片需要循环多次光束平差迭代造成的大计算量和三维重建过程点云目标针对性弱等问题,提出两步改进方法。首先,引入一种分段调节函数。在三角化步骤之后,计算系统的重投影误差,通过比较此误差与事先设定的阈值,以此判断后续局部迭代优化步骤的运行方式。随后,待所有图像注册完毕,使用SURF算法进行二次图像匹配。确定特定目标的图像坐标和对应空间相对位置,并完成对应点云重建过程,同时滤除无用冗余信息。实验证明,改进方法在基本维持原有定位精度的基础上,可以较大的提高系统运行速度,并且能够从众多目标中快速准确地找到所需目标位置,最终生成空间点云,具有较强的实用价值。

融合视惯RTK的非接触高精度点位测量方法

为解决信号受遮挡或物理不可达区域的高精度点位测量问题,提出了一种融合视惯和实时差分定位(RTK)信息的非接触高精度点位测量方法。首先,利用由RTK测定的相机位置信息,在增量式重建中将相机位姿和特征点空间位置配准到全球地理坐标系下;其次,在全局优化中引入视觉重投影误差、RTK测定的相机位置、惯性测量单元测定的相机姿态作为约束,以提升特征点空间位置的测量精度;最后,将图像中的特征点坐标从像平面坐标系映射到全球地理坐标系下,实现对场景中特征点位坐标的非接触性测量。与OpenMVG的对比实验表明:所提方法在3m和5m距离处的非接触性点位测量精度分别提高了87.25%和75.88%,验证了其在非接触性点位测量问题上的高精度。

图像序列的增量式运动结构恢复

目的传统增量式运动结构恢复算法中,初始图像对选择鲁棒性差,增量求解过程效率较低,捆绑调整策略存在计算冗余,模型修正后仍存在较大误差。为解决上述问题,以基于图像序列的3维重建为基础,提出一种新的增量式运动结构恢复算法(SFM-Y)。方法首先,采用改进的自适应异常值过滤方法增强初始图像对选择的鲁棒性,得到用于初始重建的初始图像对;其次,通过增量迭代重建丰富点云模型,采用改进的EPNP (efficient perspective-n-point)解算方法提高增量添加过程的计算效率和精确度;最后,采用优化的捆绑调整策略进行模型修正,解决模型漂移问题,修正重投影误差。结果实验选取不同数据规模的数据集,在本文方法及传统方法间进行测试对比,以便更加全面地分析算法性能。实验结果表明,SFM-Y算法相比传统的增量式运动结构恢复算法,在计算效率和结果质量方面均有所提高,根据性能分析对比的结果所示,本文方法较传统方法在计算效率和重建精度上约有10%的提升。结论提出的增量式运动结构恢复算法能够高效准确地实现基于图像序列的3维重建优于传统方法,计算效率较高,初始重建鲁棒性强,生成模型质量较好。