论文部分内容阅读
三维重建技术中基于RGB-D图像的重建方法是当前的一个热点研究问题。通过该方法获得的重建目标的精度主要取决于各个视角获得的点云的配准精度。基于RGB-D图像的重建方法是根据深度设备的运动信息来恢复目标的三维结构,该方法首先使用深度设备直接获取运动过程中每个视角的点云数据,接着分析相邻两个视角的点云之间的关系,估算出深度设备运动过程中相邻位置之间的变换矩阵,然后根据上述变换将各个视角的点云变换到同一参考坐标系中得到目标完整的点云,最后使用泊松表面重建方法对目标完整的点云进行处理得到最终的重建结果。基于RGB-D图像的三维重建中,大量点云配准算法是通过分析纹理信息和深度信息来对点云配准结果进行约束,该方法使得缺失纹理信息的点云配准结果不尽人意。而通过分析点云之间的结构关系来进行点云配准的精度会随着点云的缺失而急剧下降。因此,本文提出了一种快速的点云配准方法,该方法不仅不受目标纹理信息的影响,而且当点云的缺失程度高达40%时,仍然能够在较高的配准精度下完成点云的配准。首先,本文提出了基于点云重心的邻域点的全局最近最远点配准算法。该算法首先计算原始输入点云的重心,然后采用降采样对原始输入点云进行稀疏化得到对应的稀疏点云,接着根据相邻两个视角的点云存在部分重叠的特性,以点云重心作为参考在其对应的稀疏点云中找到最近的6)1个点,然后以这6)1个点作为参考点在稀疏点云中找到其最近和最远的6)2个点,以这些最近点、参考点、最远点构成的夹角作为相邻点云的初始种子匹配特征,然后从获得的种子匹配的邻域搜索其他匹配点,接着根据匹配点对估算深度设备相邻位置的变换矩阵,从而获得最终的配准结果。然后,为了保证在点云的缺失程度较高的情况下,配准算法仍然能够有效,本文提出了基于局部参考点的最近最远点配准算法,该算法首先对原始点云降采样得到稀疏点云,然后以稀疏点云中每一个点作为参考点在原点云中找到其邻域,并在该邻域内找到其最近和最远的6)个点,以这些最近点、参考点、最远点构成的夹角作为相邻点云的种子匹配特征,然后根据种子匹配的邻域传播得到其他匹配点对,接着估算深度设备相邻位置的变换矩阵,从而获得最后的配准结果。综上所述,本文提出了两种点云配准方法,前者基于全局特征,后者则基于局部特征,当点云的缺失数量较小时,使用全局匹配算法快速完成配准,反之,当点云的缺失数量较大时,使用局部配准算法弥补全局配准的不足,利用本文的配准算法进行了几组点云测试,都能快速准确地完成配准。