改进的AKAZE特征提取的全局式SFM三维重建算法

针对增量式SFM算法过渡依赖初始图像的选择,重建时误差累积导致场景漂移且计算效率低的问题,设计了一种改进的加速KAZE特征提取的全局式SFM三维重建算法。首先通过增强特征接受阈值并构造非线性尺度空间来提取图像的特征,使用改进局部差分二进制MLDB描述符对特征进行描述;然后利用全局式SFM算法对整个场景的相机位姿进行估计,从而减小误差并减少光束法平差BA的使用次数,降低了算法的复杂度,大大提高计算效率;最后利用基于面元的多视立体匹配PMVS算法得到稠密重建结果。实验结果表明,同等条件下该方法能够得到更多的有效点对,计算效率约为增量式SFM算法的2倍,且特征匹配准确率提高5%,稠密重建的点云精度高,信息丰富且纹理清晰,是一种有效的三维重建方法。

基于改进ORB特征提取的快速三维重建算法

鉴于多视图三维重建算法的特征检测和匹配能力较差,文章提出一种基于改进ORB特征提取的快速三维重建算法。该算法针对传统算法在建筑数据采集中的重建效果差和运行效率低的问题进行了优化,首先运用改进的ORB算法进行特征点提取,采用GMS算法进行特征匹配,得到匹配结果后利用全局式SFM对场景相机位姿进行估计,之后再进行光束法平差,最后利用PMVS算法得到稠密重建的结果。实验结果表明,该算法在三维重建运行效率上有所提升,能够满足快速的三维重建要求。

基于凸优化改进的相机全局位置估计方法

相机全局位置估计作为运动恢复结构算法(Structure from motion,SfM)中的核心内容一直以来都是计算机视觉领域的研究热点.现有相机全局位置估计方法大多对外点敏感,在处理大规模、无序图像集时表现的尤为明显.增量式SfM中的迭代优化步骤可以剔除大部分的误匹配从而降低外点对估计结果的影响,而全局式SfM中没有有效地剔除误匹配的策略,估计结果受外点影响较大.针对这种情况,本文提出一种改进的相机全局位置估计方法:首先,结合极线约束提出一种新的对误匹配鲁棒的相对平移方向估计算法,减少相对平移方向估计结果中存在的外点;然后,引入平行刚体理论提出一种新的预处理方法将相机全局位置估计转化为一个适定性问题;最后,在此基础上构造了一个对外点鲁棒的凸优化线性估计模型,对模型解算获取相机位置估计全局最优解,本文方法可以很好地融合到当下的全局式SfM流程中,与现有典型方法的对照实验结果表明:在处理大规模、无序图像时,本文方法能显著提高相机全局位置估计的鲁棒性,并保证估计过程的高效性和估计结果的普遍精度.

一种稳健的无人机影像三维重建方法

针对传统摄影测量理论对航线规划、飞行姿态、影像重叠等航摄条件要求高,无人机高效保障优势不明显的问题,本文借助计算机视觉理论,提出了一种稳健的运动恢复结构(SFM)技术。首先,利用李代数旋转平均方法,将空间旋转关系的矩阵表达形式转换为向量的线性表达形式;然后,在最小二乘平差之前,引入L_(1)范数进行迭代初值优化,求解全局一致性旋转参数;最后,将位移和旋转参数的坐标系进行统一,实现匹配点三维坐标计算。试验结果表明,本文基于全局式SFM的无人机影像三维重建技术较传统摄影测量方法解算精度更高,三维点云重建效果更佳。在差分GPS摄站坐标辅助的光束法平差下,点位测量精度优于0.3 m;在不同航线布设条件下,影像解算的成功率均可达100%。

GNSS约束的长航带无人机影像自检校方法

相机自检校直接决定无人机影像空三的精度。沿输电线路走廊采集的长航带结构无人机影像是一种典型的退化配置,对其自检校容易出现“碗状”效应。为解决该问题,传统方法往往依赖较多控制点,而提出的自检校方法仅需一个控制点。首先研究经典物理模型和最新的数学模型;然后在增量式SfM(structure from motion)框架下,设计了一种联合无人机影像相机检校参数初始化和高精度差分全球导航卫星系统(global navigation satellite system,GNSS)位置信息辅助的相机自检校方法。利用两个实验区域不同采集模式下的4组无人机电力走廊影像进行无控制约束以及单个控制点约束的相机自检校实验。结果表明,提出的相机自检校策略在无控制点约束时,可以有效缓解长航带结构空三的“碗状”效应,减轻模型的弯曲程度,提高自检校空三的绝对精度;单个控制点约束自检校时,水平和高程精度均优于0.06 m。与当前主流开源和商业软件对比,该算法能够得到相当或更高精度。