基于无人机航拍图像的三维重建SfM算法研究

发布时间：2025-06-21 00:08

　　基于图像的三维重建是近年来计算机视觉领域的研究热点,作为其中的关键技术与处理过程,SfM(由运动恢复结构)获得的重建对象稀疏点云数据直接影响着最终的重建模型质量。对于同样是研究热点的SLAM(即时定位与同步建图)问题,SfM获得的环境稀疏点云数据也直接决定着环境建图和载体位姿估计的精度。本文对基于无人机航拍图像进行大尺度场景三维重建的SfM算法及其改进问题进行了实验研究。分析了SfM的基本原理,根据具体实现算法的差异,将基于对极几何的主流SfM算法分为增量式、全局式和混合式三类,分析梳理了这些算法的思想、流程和实现细节,总结归纳了各自的特点。以算法的鲁棒性、重建模型的完整性和精度为指标,利用被同类问题研究者普遍采用的公开图像数据集对三种算法进行了实验测试对比研究。在此基础上,提出了一个分层混合式SfM改进算法。基本思路是:全局式SfM在图像间关联度较好时重建性能好、增量式SfM在噪声存在时抗干扰能力强,将两者结合有助于提升重建模型质量,并在其全局式部分加入聚类分割和噪声过滤的过程进一步改善算法的性能。讨论了旋转平均理论、分层聚类、全局旋转估计、主干簇全局式重建、增量式相机位姿估计与优化等...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图2-1三维重建流程示意图

内蒙古工业大学硕士学位论文第二章SfM基本原理与技术分析计算机视觉中基于多视图的三维重建通常由稀疏点云重建、点云稠密化、表面及纹理重建几部分构成，图2-1引自文献[7]，从这个图中可以看出其组成部分及其功能,其中MVS（Multi-viewStereo）为点云稠密化，....

图2-5特征点匹配Fig.2-5Featuresmatching

内蒙古工业大学硕士学位论文度质心法实现方向性和旋转特征的表示。在提取关键点后计算其描述子，ORB用改进的BRIEF特征描述。然后进行特征点的匹配，一般有暴力匹配、快速近近邻匹配、KD树匹配等方法，目前特征匹配的算法已基本成熟，由于特征提取配的环节在整个重建过程的时间消耗中占....

图2-11DSfM网络结构图

的相对尺度的求解。根据式2-21可以看到，至少通过两个三维点X就可以求解方程得到相机的位置C。相机位姿恢复后，三角定位部分的原理与前文中阐述的方法一样。重建的最后部分仍是借鉴利用光束平差法对整个系统的估计值进行优化，不同的研究中也可以加入重三角定位以及回环检测，使得最后....

图3-11四种SfM方法对Castle图像集重建的稠密点云

38(d)分层混合式稠密点云(d)Densepointcloudofhierarchical-hybridmethod图3-11四种SfM方法对Castle图像集重建的稠密点云Fig.3-11DensepointcloudsofCastle....

本文编号：4051606