论文部分内容阅读
近年来,随着计算机视觉技术的飞速发展,其在农作物的无损测量、品质分级等领域也得到了广泛的应用。本文的主要研究内容是利用单目相机获取到的马铃薯序列图像,重建出马铃薯的空间三维模型,该三维模型将为马铃薯的薯形分类和生长状态估计提供数据基础。论文主要从相机标定、特征匹配、相机位姿估计、稀疏点云及稠密点云重建四个方面出发,设计了一套完整的马铃薯序列图像重建系统。针对马铃薯重建过程中存在的技术难点,主要从以下几个方面进行了研究:(1)针对SIFT算法在特征匹配阶段耗时较长的问题,提出了一种改进的SIFT特征匹配算法。通过改变图像梯度方向的统计策略来降低SIFT描述子的维度,在提取描述子时仅统计特征点邻域附近16个窗口中各自窗口在4个方向上的梯度值,并将粗匹配结果通过RANSAC算法进行误匹配的剔除。实验结果表明,相较于原有SIFT+RANSAC算法,本文算法在保证特征匹配准确率的同时,将特征匹配的速度提高了近25%。(2)设计了一种基于SFM算法的多视图相机位姿估计方法,利用改进后的SIFT算法进行图像的特征匹配,经过RANSAC算法剔除误匹配后,采用经典的8点法求解两视图下相机的相对位姿,并在两视图的基础之上引入透视N点法(PnP)实现多相机的位姿估计;最后对求解所得的三维空间点及相机位姿进行全局优化,以保证位姿估计的准确性。(3)确定了马铃薯三维重建过程中所需图像的数量。利用相机对10个不同形状的马铃薯分别采集36、60、90、120、180、360幅图像进行三维重建,通过分析不同数量的图像重建出马铃薯三维模型的精度,并综合考虑三维点云的生成速度,最终确定了本文进行马铃薯三维重建时所需的图像数量为90幅。(4)构建了一套用于马铃薯三维重建的软件系统,对由稀疏点云生成稠密点云过程中所需的PMVS算法、泊松重建算法及纹理映射算法进行了详细分析,并将这些现有算法与本文改进算法相结合,利用QT平台对各个模块进行了具体实现,最终达到了由马铃薯序列图像生成其精确三维模型的目的。本文针对马铃薯重建过程中的特征匹配准确度、位姿估计精度、三维模型的稠密程度等问题进行了详细分析,并提出了有效的应对策略,最终的重建结果证明了本文算法的可行性。