基于约束Delaunay三角形的多视3D重建

为解决多视立体重建的表面模型扭曲变形,建筑物平面凹凸不平进而造成纹理贴图出现错误和拉花的问题,提出一种加入直线约束的城市建筑三维重建方法。该方法使用无人机获得的一系列图片作为输入,首先通过直线检测器和超级像素提取图像直线段和边缘,经边缘多边形简化,再通过2D约束德劳内三角化得到单视图2D三角格网。然后根据密集点云回算2D三角格网顶点三维位置,得到单视图3D格网模型,最后多视图合并得到场景完整3D模型。实验结果表明,算法表现出较好的性能、稳定性和可扩展性,并且具有较高精确性和有效性。

基于网格变形的从图像重建三维人脸

从图像重建高质量三维人脸一直是计算机视觉和图形学的一个重要研究问题.不同于传统的基于立体匹配的窄基线多视几何和数据驱动的人脸形变方法,提出一种结合网格变形技术和立体视觉原理的、从图像重建高质量三维人脸模型方法.给定从不同视角拍摄的几幅人脸图像,基于健壮图像特征获得可靠的相机外部参数和稀疏三维点;在此基础上,提出一种结合几何细节保持和图像一致性约束的三维人脸变形算法重建三维人脸,通过对人脸模板的网格变形,使得变形人脸在多幅图像中的可见投影具有一致性的图像颜色强度.基于模板的人脸变形可以有效地解决三维模型成像中的遮挡问题,采用健壮估计法消除噪声、离群点和光照对目标函数收敛性的影响,对目标函数的多次非线性优化求解进一步改进了人脸重建的质量.采用合成人脸图像和真实人脸图像重建三维人脸的实验结果表明,文中算法可以从几幅宽基线图像重建高质量的三维人脸模型.

双约束条件下PMVS的改进算法

PMVS(patch-based multi-view stereo)算法以其良好的表现,在多视立体领域得到广泛应用。然而,算法存在重建模型细节丢失与重建点位置不够精确的问题,这种情况在输入图片较少,重建场景纹理不明显时尤为严重。针对这些不足,对去除候选误匹配点及对种子点置信度的排序进行了研究:引入USAC(UniversalRANSAC)去除候选误匹配点方法;提出双约束条件策略,筛选出候选空间点中置信度较高的点作为种子点。重建模型细节与原物体的契合度有了很大提高,纹理较少模型的重建点云数明显增加,漏洞也明显减少。通过在真实数据集上的实验,验证了改进算法具有更强的有效性和实用性。