论文部分内容阅读
室内场景重建问题是计算机视觉中的一个重要研究课题，其所得到的场景稠密三维模型在很多领域都有重要应用，例如室内场景的三维模型作为地图可以辅助机器人进行路径导航以及避障、稠密的三维场景重建结果作为输入可以解决传统目标识别、跟踪以及检测方法无法解决的场景遮挡问题等等。近年来随着消费级深度相机的不断普及，基于RGB-D数据的室内场景重建越来越受到关注。虽然在科研人员不懈努力下，三维重建算法已经取得了长足的进步，但室内场景重建仍然是一个极具挑战性的问题。现有的方法在一些特定的环境中会有所限制，在重建质量和效率方面仍然不能满足现实场景的要求。
在本文中，我们仔细总结了目前主流的室内场景重建技术，并分析了各种方法的优缺点，在此基础上提出了一种面向动态室内场景的三维重建框架，解决了主流方法在动态环境下无法对场景进行重建的问题。本文借鉴了融合几何和深度学习的方法对场景中的动态物体进行检测，在一定程度上减轻了动态物体对重建结果的影响。之后，还对获取的模型进行了基于平面和几何的模型优化，从而使模型变得更加轻量，同时保留了模型的几何细节。
最后，本文在公开数据集上对算法框架进行了测试，并和目前先进的算法进行了比较。实验结果表明，本文提出的算法可以有效解决动态场景重建问题，并提高了重建质量。此外，本文还将所提算法框架在真实数据集上进行了测试，并得到了良好的重建结果。
在本文中，我们仔细总结了目前主流的室内场景重建技术，并分析了各种方法的优缺点，在此基础上提出了一种面向动态室内场景的三维重建框架，解决了主流方法在动态环境下无法对场景进行重建的问题。本文借鉴了融合几何和深度学习的方法对场景中的动态物体进行检测，在一定程度上减轻了动态物体对重建结果的影响。之后，还对获取的模型进行了基于平面和几何的模型优化，从而使模型变得更加轻量，同时保留了模型的几何细节。
最后，本文在公开数据集上对算法框架进行了测试，并和目前先进的算法进行了比较。实验结果表明，本文提出的算法可以有效解决动态场景重建问题，并提高了重建质量。此外，本文还将所提算法框架在真实数据集上进行了测试，并得到了良好的重建结果。