论文部分内容阅读
随着摄影测量技术以及计算机技术的发展,三维重建技术已被广泛应用于数字城市建设以及文物修复等多个领域。同时,无人机的迅速发展,使得将无人机航拍影像用于三维重建成为可能。然而,无人机影像存在旋转、仿射、尺度等各种变换,增加了影像匹配的难度。影像匹配是三维重建的关键步骤之一,为了完成物体的三维重建,进行无人机影像匹配的研究至关重要。由于无人机获取影像时存在摄影“盲区”,导致生成的点云出现“空洞”区域,这将会直接影响后续重建模型的精度与结构完整性,所以对如何修补点云的“空洞”问题展开研究很有现实意义。针对这一实际问题,本文对三维重建过程中的若干关键技术展开研究,具体内容如下:(1)为提高初始稀疏匹配的可靠性和匹配点数量,采用了一种融合尺度不变特征转换(Scale Invariant Feature Transform,SIFT)和DAISY算法的特征匹配方法。该方法首先采用SIFT算法提取特征点继而基于DAISY算法进行特征描述,并基于最近邻比值法进行匹配,最后采用随机抽样一致(Random Sample Consensus,RANSAC)算法剔除误匹配。实验表明,与仅采用SIFT算法相比,该方法对运动恢复结构(Structure from Motion,SFM)算法中单独采用SIFT特征点描述方法进行了改善,获得的正确匹配点数更多,匹配正确率更高。(2)为提高三维重建模型的结构完整性,在相机标定的基础上,构造了一种两步法逐次三维重建策略。该策略首先基于重构的SFM算法进行稀疏重建,生成三维稀疏点云,然后采用基于区域增长的散列聚簇分类(Clustering Views for Multi-view Stereo,CMVS)和基于面片的三维多视角立体视觉(Patch-based Multiview Stereo,PMVS)算法在稀疏点云的基础上进一步完成稠密重建。实验结果表明,采用的策略可得到更稠密更完整的三维点云。(3)针对外业低空影像获取时摄影“盲区”导致的点云“空洞”问题,采用了一种基于地面近景影像的空洞修补方案。利用手持相机获取空洞区域的序列影像,经前述方法处理后得到空洞区域稠密重建点云,然后基于迭代最近邻点(Iterative Close Point,ICP)算法实现两个点集的配准和融合,实现了空洞区域的填补,获得了更完整的重建目标点云,最后对稠密点云进行三角网格化处理以及纹理映射,获得完整的三维模型。