多视角图像序列的单目三维重建

为了从单目多视角图像序列中重建出三维场景,使用了一种基于增量式运动恢复结构(structure from motion)和立体视觉法(multi-view-stereo)的三维重建方法.首先,通过使用尺度不变特征变换算法(scale-invariant feature transform)从图像序列中提取出特征点并进行特征点匹配;然后,通过从单目图像序列中匹配的特征点重建出稀疏点云和稠密点云;最终将物体表面的纹理重建出来,从而完成三维重建.使用单目相机拍摄的183张不同角度的巴黎万神庙照片所组成的数据集进行实验,实验结果表明该方法可以完成单目三维重建.     

基于机器视觉的三维重建技术研究

研究了基于机器视觉的三维重建技术。利用普通的数码摄像机拍摄图片,通过摄像机定标、特征点检测和匹配、基础矩阵和本质矩阵计算来实现图像的三维重建。采用张正友标定方法的相机标定工具箱实现了相机的标定,利用尺度不变特征变换(SIFT)特征点的检测和匹配方法进行了图像特征点的检测和匹配,采用RANSAC算法计算基础矩阵,最后利用相机内参数和由基础矩阵获得的本质矩阵重建物体的特征点,并进行纹理贴图。实验结果表明利用这些图像可以进行物体重建,并且能够很好地反映出物体的三维特征。     

三维特征点距离特征集合求交匹配算法

对于使用锥束CT分区成像的物体,要得到其完整的三维图像,需要对各分区重建图像进行三维拼接。作为基于特征的三维拼接算法中重要的步骤之一,特征点匹配是要对图像重叠区域中检测到的特征点建立对应关系。针对目前三维SIFT特征匹配算法对于相似特征误匹配率较高的问题,提出基于三维特征点空间关系的三维特征点匹配算法:距离特征集合求交法。该算法使用求取简便的特征点三维距离特征作为特征描述符,避免了扩大特征信息统计范围时巨大的计算消耗问题,然后在匹配过程中设计了距离特征集合求交的相似性度量方法,解决了以往基于空间关系方法中特征矢量各项元素不对应的问题。实验证明:该算法在图像存在大量相似特征的前提下,能够有效提高三维特征点匹配的匹配正确率。     

基于微振镜结构光投射器的机器人抓取

提出了一种基于微振镜结构光的三维重建方法。使用微振镜结构光快速获取图像数据,基于多频外差的方法对物体进行三维重建,使用基于点对特征三维特征匹配的方式对获取的三维数据与基准模型进行匹配和定位操作,获取了任意放置的物体在机器人坐标系中的三维坐标和法线信息。实验结果表明,基于微振镜结构光的方式可以获得0.1 mm左右的重建精度,处理时间约为0.4 s,可以满足大多数工业机器人物体定位抓取的要求。     

多视角未标定图像三维测量算法

文中提出了一种针对多视角未定标图像序列的三维测量算法,该算法无须先验信息只需利用多视角图像序列.首先对图像序列进行特征点提取进而得到基础矩阵,然后利用简化的Kruppa方法计算各个视角对应摄像机的内参数,再次通过奇异值分解得到视角间的平移和旋转运动,最后利用已知距离信息进行三维点重建完成三维测量.实验室情形下的实验证明了算法的效果.     

远距离运动目标三维测量中图像匹配的研究

采用两个摄像机光轴平行的双目立体视觉测量系统,检测远距离运动物体的三维物体轮廓.阐述了该三维轮廓测量系统中的两个关键技术:提取出合适的图像特征;建立特征间的对应关系.将同一空间物理点在不同图像中的映象点对应起来,由此得到相应的视差图像,实现立体匹配,恢复出物体的三维轮廓.仿真实验结果表明,该三维轮廓测量方法容易实现、对硬件要求不高、精度较高和具有较高稳定性,能够满足远距离运动物体姿态和速度测量的要求.     

基于SIFT特征的复杂环境下目标跟踪算法研究

为有效地解决复杂背景情况下运动物体有效跟踪问题,利用SIFT特征匹配算法的尺度不变、旋度不变的特性优越性,提出了一种优选的匹配方案.运动目标采用背景减除法分割提取,通过优化的SIFT算法快速地检测特征点,计算出其相应的坐标,并有选择性的更新相应特征点的坐标,然后重复提取运动目标,刷新背景区域,融合多特征信息,更准确地匹配图像中特征点.实验表明,本算法有效改善了光线变化,运动物体发生尺度变换等复杂环境下的目标跟踪效果,具有较强的鲁棒性.     

视频监控中运动图像序列三维重建

视频监控中运动图像序列三维重建一直是三维重建研究的重点,其重建效果会对运动图像的清晰度产生影响。但当前三维重建方法都是通过获取二维视频监控中的运动图像序列,通过基于Java Applet与Java Application编程,采用体绘制法完成视频监控中二维运动图像序列的三维重建,该方法无法保证重建后的图像质量,导致图像清晰度不高。为此,提出基于图像特征点提取与匹配的视频监控中运动图像序列三维重建方法。首先,对视频监控中运动图像序列特征点进行检测,并对特征点一定邻域内图像的纹理、结构以及其他特征进行统计,通过对运动图像序列特征点的特征比较,完成运动图像序列特征点提取与匹配;然后,对视频监控中运动图像序列的结构和运动初始化,并进行视频监控相机的自标定,实现对视频监控中运动图像序列的三维重建。实验结果表明,所提方法能够有效提高三维重建后视频监控中运动图像序列的清晰度,减少三维重建流程,提高运动图像序列重建效率,具有良好的使用价值。     

二维图像序列直线的提取及跟踪匹配研究

在基于直线光流场的三雏重建研究中首先要对连续多帧单目图像序列进行处理,主要是二维图像直线的提取、跟踪及匹配.在此利用改进的Hough变换对图像进行直线提取,利用Hough变换的点线对偶性,即可将对图像序列中的特征直线的跟踪与匹配问题转化为在参数空间(ρ,θ)中对特征点运动轨迹的参数估计,可以采用卡尔曼滤波器对运动目标进行初步跟踪,预测其大致位置,再通过建立模板与图像的匹配相关系数判定搜索到的特征点的精确坐标.实验结果表明,该方法取得了较好的实验结果.     

基于单目序列图像的车辆三维信息的获取

本文介绍了一种基于单目序列图像的车辆三维信息的获取方法.在获取交通视频的基础上,根据摄像机的线性成像模型,对摄像机参数进行标定,建立空间中点与图像上点的映射关系.利用空间中点到图像上点的投影关系,以及车身上点在路面上的垂直投影,计算车身上特征点的三维坐标,进而恢复车辆的空间位置和三维信息.以实际交通录像为仿真对象,证明了该算法的有效性.     

Feature points matching for face reconstruction based on the window unique property of pseudo-random coded image

Structured light vision systems have been successfully used for accurate measurement of the 3D surfaces of an object, in which a pseudo-random coded structured light image pattern is projected onto the target object through a projector, and the coded information image produced by its surface is captured by a CCD camera in order to recover its 3D surfaces. In this kind of computer vision technology, 3D face reconstruction is a hot research topic. This paper presents a method for feature points matching used in 3D reconstruction. In this method, the feature points can be identified exclusively taking advantage of the window unique property of a pseudo-random array. Thus, the matching problem can be solved by finding the correspondence between 2D coordinates of feature points in the pixel image and those in the code of the projected template. Then, the 3D reconstruction can be carried out with only a single image with the benefit of easy operation and simple calculation. An experiment for 3D face reconstruction with simulated data is given. The performances show that this method has high matching precision for object matching of feature points.     

最小特征值的迭代非刚体三维射影重建方法

为了从图像序列中重建出非刚体三维射影重建,本文提出了一种最小特征值的迭代非刚体射影重建方法.该方法利用所有的图像点和深度因子组成一个低秩图像矩阵的特性,将投影求解转化为矩阵特征值及特征向量的求解,迭代地求解深度因子,实现非刚体的三维射影重建.该方法能够保证算法能够收敛到全局最优解.模拟实验和真实实验结果表明,本文方法具有收敛性速度快、误差小等优点.     

基于Canny算子和Harris角点提取的三维重建方法

本文介绍了一种基于Canny算子边缘提取和Harris角点提取的三维重建方法.通过双目相机获取所研究物体的左右视图,并对图像进行平滑去噪处理,将Canny算子边缘检测和Harris角点提取结合起来进行特征提取,以提高特征点选取的准确性,然后将左右视图的特征点进行立体匹配,计算匹配点的三维坐标值,最后使用经典Delaun...     

单目图像序列中基于正则化的局部三维非刚体运动估计

通过局部的三维非刚体运动估计进而达到全局估计结果是三维非刚体运动估计中的重要方法。本文提出了在单目图像序列中利用正则化的手段解决局部的三维非刚体运动估计。首先，在帧间特征点匹配已确立的前提下，利用仿射运动模型并结合中心投影方式提出了运动估计的最小二乘模型；然后针对三维运动估计的不适定性提出了正则化的运动估计方法，以正则化的形式融入运动的先验知识，使运动估计的结果更具鲁棒性；最后利用Levenberg-Marquart方法实现运动参数的求解。仿真图像序列的实验反映了本文方法的有效性。     

基于视觉引导的工业机器人快速分拣系统研究

将三菱RV-13F工业机器人与视觉引导技术相结合应用于目标分拣。对原始图像进行滤波处理后再利用ORB算法实现对目标物体的快速检测,并利用最佳匹配特征点计算出目标物体的像素坐标和旋转角度。实验结果表明：计算坐标与实际坐标在X、Y坐标上的误差在1mm之内,可以保证工业机器人准确地运动到目标物体的上方,Z坐标上的误差在3mm之内,可以保证能将目标物体抓取到,快速地完成分拣任务。     

Spatially constrained level-set tracking and segmentation of non-rigid objects

Level-set is a widely used technique in segmentation-based tracking due to its flexibility in handling 2D topological changes and computational efficiency. Most existing level-set models aim at grouping pixels that have similar features into a region, without consideration of the spatial relationship of these pixels. In this paper, we present a novel level-set tracking method that incorporates spatial information to improve the robustness and accuracy of tracking non-rigid objects. Both tracking and segmentation are performed in a unified probabilistic framework, with additional spatial constraints from a part-based model—the Hough Forests. In the stage of tracking, the rigid motion of the target object is estimated by rigid registration in both the color space and the Hough voting space. Then in the stage of segmentation, some support points are obtained from back-projection, and guide the level-set evolution to capture the shape deformation. We conduct quantitative evaluation on two recently proposed public benchmarks: a non-rigid object tracking dataset and the CVPR2013 online tracking benchmark, involving 61 sequences in total. The experimental results demonstrate that our tracking method performs comparably to the state-of-the-arts in the CVPR2013 benchmark, while shows significantly improved performance in tracking non-rigid objects.     

利用网格卷积特征的三维形变目标分类

三维目标的形状变化给目标识别带来很大挑战,同时三维网格模型的不规则数据结构难以直接应用卷积运算提取三维目标特征.对此,本文提出了一种高效的三维形变目标的网格卷积特征表示方法,准确提取形状信息并进行分类.首先通过网格卷积运算获得形变目标中典型局部曲面形状分布,其次通过马尔科夫链对曲面形状的空间共现关系建模,从而形成三维模型的全局特征描述,最后采用支持向量机实现形变目标分类.该方法将连续多项式函数作为卷积模板,实现针对不规则数据结构的网格卷积运算,并且给出了卷积模板参数的无监督学习方法.在标准非刚性三维模型数据集SHREC10与SHREC15上的实验结果表明本文方法能有效提取三维网格模型的形状信息,分类准确率分别达到了92.88%与96.54%.     

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息,结合随机抽样一致性（RANSAC）算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。