CN110533765B - 一种多次单应诱导的多平面结构物体的三维重建方法 - Google Patents
一种多次单应诱导的多平面结构物体的三维重建方法 Download PDFInfo
- Publication number
- CN110533765B CN110533765B CN201910695198.2A CN201910695198A CN110533765B CN 110533765 B CN110533765 B CN 110533765B CN 201910695198 A CN201910695198 A CN 201910695198A CN 110533765 B CN110533765 B CN 110533765B
- Authority
- CN
- China
- Prior art keywords
- plane
- equation
- auxiliary
- point
- point set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多次单应诱导的多平面结构物体的三维重建方法,步骤包括:步骤1,对图像对的特征进行提取与匹配;步骤2,确定主平面;步骤3,对辅助平面进行估计;步骤4,对辅助平面进行校正;步骤5,确定模型平面区域,将多平面方程和其对应的内点集,由内点集在平面上构成凸集合,将该凸集合称为高置信区域;然后对所有图像进行线段检测,利用得到的线段和确定的平面间的交线来扩展高置信区域,以便确定每个平面的重建区域范围;最后对确定的每个平面纹理贴图,完成对低纹理场景的建筑物三维重建。本发明的方法,能够完成对低纹理场景的建筑物三维重建。
Description
技术领域
本发明属于基于图像序列的建筑物三维重建技术领域,涉及一种多次单应诱导的多平面结构物体的三维重建方法。
背景技术
建筑物的三维重建是获取建筑物三维结构信息的重要手段,在城市规划、古建筑物保护、灾害监控通信设施建设和数字化城市等领域具有非常广泛的应用。如在工程估计上,对一些破损的建筑物,采用拍照重建,就可以快速地估计出修复建筑物所要的费用,提高了工程估计的高效性、灵活性和可靠性。
但是对于拍摄的建筑物场景中存在单一纹理和重复纹理的情况,现有的方法会因重建过程中所提取的特征点较少,致使重建的三维点云太过稀疏,无法很好地重构出完整的三维模型。
发明内容
本发明的目的是提供一种多次单应诱导的多平面结构物体的三维重建方法,解决了现有技术对于拍摄的建筑物场景,难以应对单一纹理和重复纹理现象,致使重建的三维点云太过稀疏,无法很好地重构出完整三维模型的问题。
本发明所采用的技术方案是,一种多次单应诱导的多平面结构物体的三维重建方法,按照以下步骤实施:
步骤1,对图像对的特征进行提取与匹配;
步骤2,确定主平面;
步骤3,对辅助平面进行估计;
步骤4,对辅助平面进行校正;
步骤5,确定模型平面区域,
通过步骤3和步骤4确定模型的多平面方程Pkc,kc=1,2,...,Nc和其对应的内点集Okc,kc=1,2,...,Nc,由内点集在平面上构成凸集合,将该凸集合称为高置信区域;然后对所有图像进行线段检测,利用得到的线段和确定的平面间的交线来扩展高置信区域,以便确定每个平面的重建区域范围;最后对确定的每个平面纹理贴图,完成对低纹理场景的建筑物三维重建。
本发明的有益效果是,在利用点、线特征的基础上,结合点特征和线特征的优点以确定平面区域,使用更高层次的平面特征来描述建筑物进行重建,从多平面几何结构模型特征分析解决了重建场景中平面重建不完整的问题,尤其是针对环境中存在单一纹理和重复纹理的情况,本发明算法效果更加明显。
附图说明
图1是本发明实施例的建筑物重建流程框图;
图2是本发明方法实施例的特征点中多次单应诱导平面结果,其中,图2a是图像对极几何约束剔除误匹配,图2b是图像对第一次估计单应变换内点,图2c是图像对第二次估计单应变换内点;
图3是本发明方法实施例的高置信区域扩展平面;
图4是本发明方法实施例的盒状物模型重建结果,图4a和4b分别为重建模型的不同视角展示。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1,本发明的方法,按照以下步骤实施:
步骤1,对图像对的特征进行提取与匹配,
1.1)设输入的图像序列为{Its=[Imts(x,y)]m×n|ts=1,2,...,T},ts是指图像序数,T为图像序列中的图像数量,(x,y)代表当前图像像素横纵坐标值,m和n是图像的长宽尺度;依次取相邻的两幅图像,即It=[Imt(x,y)]m×n和It+1=[Imt+1(x,y)]m×n,t=1,2,...,T-1,对该相邻两幅图像分别提取其SIFT特征(SIFT特征的提取方法是公开方法,可在相关的技术文献中检索到),设It的SIFT特征点集为St={st(1),st(2),...,st(nt)},t=1,2,...,T-1,这里的st(nt)代表每个特征点;It+1的SIFT特征点集为St+1={st+1(1),st+1(2),...,st+1(nt+1)},t=1,2,...,T-1,按照邻近距离约束匹配的算法得到该相邻两幅图像一一对应的特征点匹配集合,计算式如下:
其中,th是阈值,取经验值,优选取值为th=0.8;kt是指两个特征向量之间的距离,公式(1)代表点st(it)的次邻近距离,公式(2)为其最邻近距离,pt是次近邻与最近邻距离的比值,
如果公式(3)的结果pt(it)<th,则表明st(it)与st+1(kt*)配对成功,将st+1(k*)从St+1={st+1(1),st+1(2),...,st+1(nt+1)}中取出,继续St={st(1),st(2),...,st(nt)}中下一个特征点的匹配;以此类推,对It的特征点集St中的所有特征点,按照公式(1)和公式(2)及公式(3)进行匹配,得到配对成功的特征点集,设为
1.2)采用RANSAC算法(RANSAC算法为现有公开技术,可在相关技术文献中检索到),去除特征点集中误匹配的特征点,得到正确匹配的特征点集,将其称为内点集合,记作t=1,2,...,T-1,其中,和是归一化坐标,j=1,2,...,mt,t=1,2,...,T-1;
1.3)采用三角测量算法(三角测量算法为现有公开技术,可在相关文献中检索到)计算出内点集合对应在三维空间中的点集Ωt={(xt(j),yt(j),zt(j)),j=1,2,...,mt},t=1,2,...,T-1;
步骤2,确定主平面,
2.1)求主平面的单应变换矩阵H0,
将步骤1中得到的T-1个内点集合t=1,2,...,T-1的所有对应点汇集在一起,构建总的内点集合为:其中ks代表内点数,M是内点的总个数,即M=m1+m2+...+mt+...+mT-1;对应在三维空间中的T-1个点集Ωt={(xt(j),yt(j),zt(j)),j=1,2,...,mt)},t=1,2,...,T-1所有对应点汇集在一起,构建总的内点集合为:
Ω={Ω1,Ω2,...,Ωt,...,ΩT-1}={(x(ks),y(ks),z(ks)),ks=1,2,...,m1,...,M};
求解公式(4)中的主平面单应变换矩阵H0:
将公式(4)展开,则有:
(5)
此处A0是一个2M×9的矩阵,求A0的SVD奇异值分解,对应于最小特征值的单位特征矢量便是解h0,将求得的解h0带入H0,得到单应变换矩阵H0;
2.2)拟合主平面,
将求解得到的单应变换矩阵H0带入公式(4),挑出内点集中,满足公式(4)的点,设为M0是满足求解主平面的内点个数;对应的三维空间上的点集设为Ω0={(x(k0),y(k0),z(k0)),k0=1,2,...,M0},用Ω0拟合空间上的主平面P0,主平面P0的表达式如下:
a0·x(k0)+b0·y(k0)+c0·z(k0)-d0=p(k0)·P0=0 k0=1,2,...,M0 (6)
其中,P0=[a0,b0,c0,d0]T是平面方程的系数,a0,b0,c0,d0均为参变量,都是为了确定平面指标,p(k0)=(x(k0),y(k0),z(k0)),k0=1,2,...,m0是Ω0中的点;由于公式(6)是超定方程组,所以在此采用最小二乘法(最小二乘法为现有公开技术,可在相关学术论文中检索到)求解得到主平面方程P0=[a0,b0,c0,d0]T,本公式中的T是转置符号;
步骤3,对辅助平面进行估计,
在步骤2中确定主平面方程P0=[a0,b0,c0,d0]T之后,接下来就是对其他的辅助平面进行估计:
3.1)令确定平面数kp=1;
3.4)拟合辅助平面
3.5)令kp=kp+1,转步骤3.2)重新循环;
步骤4,对辅助平面进行校正,
基于前述从步骤2得到的一个主平面,以及从步骤3得到的Nc-1个辅助平面,考虑到噪声对平面方程的影响,需要对其进行校正,具体过程是:
4.1)计算主平面与辅助平面之间的夹角,
ic=0,1,...,Nc-1,jc=ic+1,ic+2,...,Nc
4.2)判断辅助平面是否需要校正,
4.2.1)如果θ(ic,jc)接近垂直,则有:
|θ(ic,jc)-90°|<δ (12)
其中,δ是偏差量,取经验值,根据数据受干扰程度的大小选择,在此优选值为δ=1.5°;则转步骤4.3)进行校正;
4.2.2)如果θ(ic,jc)接近平行,则有:
|θ(ic,jc)-180°|<δ (13)
其中,δ是偏差量,取经验值,根据数据受干扰程度的大小选择,在此优选值为δ=1.5°;
4.2.3)如果两个平面既不是垂直或者也不是平行关系,即θ(ic,jc)即不满足公式(12)也不满足公式(13),则不进行校正,直接转入步骤5;
4.3)对互相垂直平面进行校正,
其中,是校正后辅助平面参数,确定平面参数有 是主平面参数;是第一个辅助平面对应的三维空间点集合Ω1中的点.为校正后第一个辅助平面后的方程组系数,求解该最优化问题即可得到;如果后面再没有与主平面垂直的辅助平面,则转入步骤5;(此处的第一辅助平面即是前面步骤3和步骤4描述的辅助平面,他们都是用P1,P2依次表示的),
4.4)对互相平行的平面进行校正,
为描述方便起见,不失一般性,以主平面为例,设待校正平面Pi与主平面P0平行,则待校正平面Pi的法向量和主平面P0的法向量相同,即所以只需要确定即可,平行于主平面的辅助平面(这里需要校正的辅助平面都可以称作待校正平面)校正模型表达式如下:
将所有相互平行的平面均按照上述的方式校正之后,转入步骤5;
实施例中,图2a是图像对极几何约束剔除误匹配,图2b是图像对第一次估计单应变换内点,图2c是图像对第二次估计单应变换内点。
步骤5,确定模型平面区域,
参照图3,通过步骤3和步骤4确定模型的多平面方程Pkc,kc=1,2,...,Nc和其对应的内点集Okc,kc=1,2,...,Nc,由内点集在平面上构成凸集合,将该凸集合称为高置信区域;然后对所有图像进行线段检测,利用得到的线段和确定的平面间的交线来扩展高置信区域,以便确定每个平面的重建区域范围;最后对确定的每个平面纹理贴图,
至此,完成对低纹理场景的建筑物三维重建。
传统的重建方法对于环境纹理单一的环境不能实现重建。本发明算法通过更高级的面匹配特征,重建出建筑物模型,实施例见图4a和4b,明显可见,其中重建出的建筑物平面的完整度和准确性高。
Claims (5)
1.一种多次单应诱导的多平面结构物体的三维重建方法,其特征在于,按照以下步骤实施:
步骤1,对图像对的特征进行提取与匹配;
步骤2,确定主平面;
步骤3,对辅助平面进行估计;
步骤4,对辅助平面进行校正;
步骤5,确定模型平面区域,
通过步骤3和步骤4确定模型的多平面方程Pkc,kc=1,2,...,Nc和其对应的内点集Okc,kc=1,2,...,Nc,由内点集在平面上构成凸集合,将该凸集合称为高置信区域;然后对所有图像进行线段检测,利用得到的线段和确定的平面间的交线来扩展高置信区域,以便确定每个平面的重建区域范围;最后对确定的每个平面纹理贴图,完成对低纹理场景的建筑物三维重建。
2.根据权利要求1所述的多次单应诱导的多平面结构物体的三维重建方法,其特征在于:所述的步骤1中,具体过程是,
1.1)设输入的图像序列为{Its=[Imts(x,y)]m×n|ts=1,2,...,T},ts是指图像序数,T为图像序列中的图像数量,(x,y)代表当前图像像素横纵坐标值,m和n是图像的长宽尺度;依次取相邻的两幅图像,即It=[Imt(x,y)]m×n和It+1=[Imt+1(x,y)]m×n,t=1,2,...,T-1,对该相邻两幅图像分别提取其SIFT特征,设It的SIFT特征点集为St={st(1),st(2),...,st(nt)},t=1,2,...,T-1,这里的st(nt)代表每个特征点;It+1的SIFT特征点集为St+1={st+1(1),st+1(2),...,st+1(nt+1)},t=1,2,...,T-1,按照邻近距离约束匹配的算法得到该相邻两幅图像一一对应的特征点匹配集合,计算式如下:
其中,th是阈值,kt是指两个特征向量之间的距离,公式(1)代表点st(it)的次邻近距离,公式(2)为其最邻近距离,pt是次近邻与最近邻距离的比值,
如果公式(3)的结果pt(it)<th,则表明st(it)与st+1(kt*)配对成功,将st+1(k*)从St+1={st+1(1),st+1(2),...,st+1(nt+1)}中取出,继续St={st(1),st(2),...,st(nt)}中下一个特征点的匹配;以此类推,对It的特征点集St中的所有特征点,按照公式(1)和公式(2)及公式(3)进行匹配,得到配对成功的特征点集,设为
3.根据权利要求2所述的多次单应诱导的多平面结构物体的三维重建方法,其特征在于:所述的步骤2中,具体过程是,
2.1)求主平面的单应变换矩阵H0,
对应在三维空间中的T-1个点集Ωt={(xt(j),yt(j),zt(j)),j=1,2,...,mt},t=1,2,...,T-1所有对应点汇集在一起,构建总的内点集合为:Ω={Ω1,Ω2,...,Ωt,...,ΩT-1}={(x(ks),y(ks),z(ks)),ks=1,2,...,m1,...,M};
求解公式(4)中的主平面单应变换矩阵H0:
将公式(4)展开,则有:
此处A0是一个2M×9的矩阵,求A0的SVD奇异值分解,对应于最小特征值的单位特征矢量便是解h0,将求得的解h0带入H0,得到单应变换矩阵H0;
2.2)拟合主平面,
将求解得到的单应变换矩阵H0带入公式(4),挑出内点集中,满足公式(4)的点,设为M0是满足求解主平面的内点个数;对应的三维空间上的点集设为Ω0={(x(k0),y(k0),z(k0)),k0=1,2,...,M0},用Ω0拟合空间上的主平面P0,主平面P0的表达式如下:
a0·x(k0)+b0·y(k0)+c0·z(k0)-d0=p(k0)·P0=0 k0=1,2,...,M0 (6)
其中,P0=[a0,b0,c0,d0]T是平面方程的系数,a0,b0,c0,d0均为参变量,都是为了确定平面指标,p(k0)=(x(k0),y(k0),z(k0)),k0=1,2,...,m0是Ω0中的点;
由于公式(6)是超定方程组,所以在此采用最小二乘法求解得到主平面方程P0=[a0,b0,c0,d0]T,本公式中的T是转置符号。
4.根据权利要求3所述的多次单应诱导的多平面结构物体的三维重建方法,其特征在于:所述的步骤3中,具体过程是,
3.1)令确定平面数kp=1;
3.4)拟合辅助平面
3.5)令kp=kp+1,转步骤3.2)重新循环。
5.根据权利要求4所述的多次单应诱导的多平面结构物体的三维重建方法,其特征在于:所述的步骤4中,
基于前述从步骤2得到的一个主平面,以及从步骤3得到的Nc-1个辅助平面,进行校正的具体过程是:
4.1)计算主平面与辅助平面之间的夹角,
4.2)判断辅助平面是否需要校正,
4.2.1)如果θ(ic,jc)接近垂直,则有:
|θ(ic,jc)-90°|<δ (12)
其中,δ是偏差量,转步骤4.3)进行校正;
4.2.2)如果θ(ic,jc)接近平行,则有:
|θ(ic,jc)-180°|<δ (13)
其中,δ是偏差量;
4.2.3)如果两个平面既不是垂直或者也不是平行关系,即θ(ic,jc)即不满足公式(12)也不满足公式(13),则不进行校正,直接转入步骤5;
4.3)对互相垂直平面进行校正,
其中,是校正后辅助平面参数,确定平面参数有 [a0 b0 c0 d0]=p0是主平面参数;是第一个辅助平面对应的三维空间点集合Ω1中的点.为校正后第一个辅助平面后的方程组系数,求解该最优化问题即可得到;如果后面再没有与主平面垂直的辅助平面,则转入步骤5;
4.4)对互相平行的平面进行校正,
将所有相互平行的平面均按照上述的方式校正之后,转入步骤5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695198.2A CN110533765B (zh) | 2019-07-30 | 2019-07-30 | 一种多次单应诱导的多平面结构物体的三维重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695198.2A CN110533765B (zh) | 2019-07-30 | 2019-07-30 | 一种多次单应诱导的多平面结构物体的三维重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533765A CN110533765A (zh) | 2019-12-03 |
CN110533765B true CN110533765B (zh) | 2022-11-25 |
Family
ID=68661077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910695198.2A Active CN110533765B (zh) | 2019-07-30 | 2019-07-30 | 一种多次单应诱导的多平面结构物体的三维重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533765B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805351A (zh) * | 2023-06-14 | 2023-09-26 | 壹品慧数字科技(上海)有限公司 | 一种基于物联网的智慧建筑管理系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908231A (zh) * | 2010-07-27 | 2010-12-08 | 清华大学 | 处理含有主平面场景的三维点云重建方法和系统 |
WO2012058902A1 (zh) * | 2010-11-02 | 2012-05-10 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
CN109410323A (zh) * | 2018-10-25 | 2019-03-01 | 周口师范学院 | 一种城市建筑立面三维“线-面”结构重建方法 |
-
2019
- 2019-07-30 CN CN201910695198.2A patent/CN110533765B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908231A (zh) * | 2010-07-27 | 2010-12-08 | 清华大学 | 处理含有主平面场景的三维点云重建方法和系统 |
WO2012058902A1 (zh) * | 2010-11-02 | 2012-05-10 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
CN109410323A (zh) * | 2018-10-25 | 2019-03-01 | 周口师范学院 | 一种城市建筑立面三维“线-面”结构重建方法 |
Non-Patent Citations (2)
Title |
---|
基于约束Delaunay三角形的多视3D重建;冯文雯等;《计算机应用与软件》;20170715(第07期);全文 * |
多视觉动画图像三维重建特征点匹配优化仿真;李金明;《计算机仿真》;20170915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533765A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9686527B2 (en) | Non-feature extraction-based dense SFM three-dimensional reconstruction method | |
CN101625768B (zh) | 一种基于立体视觉的三维人脸重建方法 | |
US8131113B1 (en) | Method and apparatus for estimating rotation, focal lengths and radial distortion in panoramic image stitching | |
Pham et al. | Domain transformation-based efficient cost aggregation for local stereo matching | |
CN104008538B (zh) | 基于单张图像超分辨率方法 | |
CN102750537B (zh) | 一种高精度图像自动配准方法 | |
CN110610486B (zh) | 单目图像深度估计方法及装置 | |
EP3182369B1 (en) | Stereo matching method, controller and system | |
CN109859105B (zh) | 一种无参数影像自然拼接方法 | |
CN107767339B (zh) | 一种双目立体图像拼接方法 | |
CN104156957A (zh) | 一种稳定高效的高分辨率立体匹配方法 | |
CN113140036A (zh) | 一种三维建模方法、装置、设备及存储介质 | |
Liu et al. | PatchMatch-based automatic lattice detection for near-regular textures | |
Pinies et al. | Dense mono reconstruction: Living with the pain of the plain plane | |
CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
CN112862683A (zh) | 一种基于弹性配准和网格优化的邻接图像拼接方法 | |
CN110533765B (zh) | 一种多次单应诱导的多平面结构物体的三维重建方法 | |
Jin | A three-point minimal solution for panoramic stitching with lens distortion | |
CN110610503B (zh) | 一种基于立体匹配的电力刀闸三维信息恢复方法 | |
CN108447084A (zh) | 基于orb特征的立体匹配补偿方法 | |
Damjanović et al. | Local stereo matching using adaptive local segmentation | |
CN116563104A (zh) | 一种基于粒子群算法的图像配准方法及图像拼接方法 | |
Martinec et al. | 3d reconstruction by gluing pair-wise euclidean reconstructions, or" how to achieve a good reconstruction from bad images" | |
Darwish et al. | Coarse to fine global RGB-D frames registration for precise indoor 3D model reconstruction | |
Zhang et al. | Iterative fitting after elastic registration: An efficient strategy for accurate estimation of parametric deformations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |