發(fā)布時間：2020-05-26 20:03

【摘要】：隨著圖像傳感器技術(shù)的飛速發(fā)展,便攜式的相機(jī)設(shè)備也越來越普及,比如手機(jī)、數(shù)碼相機(jī)等,從而使得人們獲取圖像信息的方式越來越方便,獲取的圖像精度也越來越高。然而,二維圖片始終無法還原真實(shí)的三維世界,專業(yè)的三維掃描設(shè)備價格貴、使用門檻高,如何利用便攜式相機(jī)拍攝的圖像快速有效的重建三維模型已成為當(dāng)前需要解決的問題,本文針對基于便攜式相機(jī)圖像的三維重構(gòu)中由于特征點(diǎn)匹配速度慢導(dǎo)致三維重構(gòu)速度慢的問題展開了深入研究。本文主要研究重點(diǎn)為三維重構(gòu)中特征點(diǎn)的匹配算法,SIFT特征點(diǎn)提取算法是基于便攜式相機(jī)圖像三維重構(gòu)技術(shù)中應(yīng)用最為廣泛的算法,其所構(gòu)建的特征向量不僅對圖片的旋轉(zhuǎn)、尺度縮放和亮度變化具有不變性,對圖片的視角變化、仿射變換和噪聲也能保持一定程度的穩(wěn)定性。但是,由于SIFT檢測出的特征點(diǎn)數(shù)多且根據(jù)每個特征點(diǎn)所構(gòu)建的特征向量描述子更是高達(dá)128維,導(dǎo)致在后續(xù)的特征點(diǎn)匹配過程中計(jì)算量巨大且耗時嚴(yán)重。為解決這個問題,本文提出了一種基于歐氏距離和特征向量夾角的最近鄰搜索算法,算法首先對數(shù)據(jù)進(jìn)行降維操作,計(jì)算高維空間內(nèi)所有向量到原點(diǎn)的歐氏距離并進(jìn)行排序,再計(jì)算高維空間內(nèi)所有向量與隨機(jī)選擇的參考向量之間的夾角并進(jìn)行排序。然后在設(shè)定完查詢范圍參數(shù)之后計(jì)算查詢向量到原點(diǎn)的歐氏距離,通過設(shè)定的查詢范圍參數(shù)率先淘汰掉一批非最近鄰點(diǎn),縮小檢索范圍。最后計(jì)算查詢向量到參考向量之間的夾角,在縮小后的范圍內(nèi),以此夾角為中心,檢索出最近鄰。實(shí)驗(yàn)證明,本文提出的基于歐氏距離和特征向量夾角的最近鄰搜索算法在SIFT特征向量的匹配過程中能大幅提高匹配效率。最后進(jìn)行的三維重構(gòu)實(shí)驗(yàn)也證明了此算法在有效提高匹配效率的同時匹配效果也并未丟失。
【圖文】：

能有效的提高特征點(diǎn)匹配效率，從而提高在實(shí)際應(yīng)用中模型三維重構(gòu)的速度。論文框架圖如圖1-1 所示。本文主要研究內(nèi)容如下：（1）特征提取。研究了三維重構(gòu)中對基于便攜性相機(jī)拍攝的圖像不變特征的提取過程，以及特征點(diǎn)的特征描述子的生成過程。（2）高維空間的最近鄰查詢。由于三維重構(gòu)中特征點(diǎn)的匹配本質(zhì)上是高維空間的最近鄰查詢問題，所以深入研究了目前常用的三種高維空間的最近鄰查詢算法：窮舉搜索法、BBF 算法和 LSH 算法，并認(rèn)真分析了這三種算法的設(shè)計(jì)思路，總結(jié)歸納了它們各自的優(yōu)缺點(diǎn)。（3）特征匹配。研究了基于便攜性相機(jī)拍攝的圖像特征點(diǎn)的匹配，在基于SIFT 算法提取的 128 維特征向量匹配效率低的問題上，提出了一種基于歐氏距離和特征向量夾角的最近鄰搜索算法。算法思路為：首先計(jì)算出被匹配空間內(nèi)所有特征向量到原點(diǎn)的歐氏距離并進(jìn)行排序，再計(jì)算出所有向量與在被匹配空間內(nèi)與隨機(jī)選取的參考向量之間夾角并進(jìn)行排序。然后設(shè)定查詢范圍參數(shù) e，計(jì)算查詢向量到原點(diǎn)的歐氏距離，，通過設(shè)定的查詢范圍參數(shù)率先淘汰掉一批非最近鄰點(diǎn)，縮小檢索范圍。最后求出查詢向量到參考向量之間的夾角，在縮小后的范圍內(nèi)，以此角為半徑在設(shè)定的閾值內(nèi)檢索出最近鄰。實(shí)驗(yàn)證明，此算法可大幅降低SIFT 算法特征向量的匹配時間。（4）基于尺度不變特征點(diǎn)的圖像匹配。研究了基于尺度不變特征變換的圖像匹配過程，用以驗(yàn)證使用本文提出的特征點(diǎn)匹配算法是否能有效的完成基于便攜性相機(jī)拍攝的圖像特征點(diǎn)的配準(zhǔn)。（5）基于便攜式相機(jī)圖像的三維重構(gòu)。研究了基于便攜式相機(jī)圖像的三維重構(gòu)技術(shù)

圖 2-1 高斯圖像金字塔與高斯差分金字塔[43]的每個高斯圖像的 為： Sosos , 20 4)中，0 為基礎(chǔ)尺度因子，o 為圖像所在的圖像組的坐內(nèi)的層坐標(biāo)且 0,,1,0,,1mino o O s S ；o，通常 取 0 或-1。當(dāng) 設(shè)為-1 的時候，則圖像大一倍。在 SIFT 算法提出者 Lowe 的算法實(shí)現(xiàn)中，.62,1,3min1 so S 。，空間坐標(biāo) x 與組坐標(biāo) 還具有函數(shù)映射關(guān)系。設(shè)在坐標(biāo)，則有 2,[0,,1][0,,1]000x xx N M o ，其像的分辨率。如果設(shè) 為第 0 組內(nèi)的圖像的分表示為： MMNN00，
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王欣;袁坤;于曉;章明朝;;基于運(yùn)動恢復(fù)的雙目視覺三維重建系統(tǒng)設(shè)計(jì)[J];光學(xué)精密工程;2014年05期

2 戴濤;朱長仁;胡樹平;;圖像匹配技術(shù)綜述[J];數(shù)字技術(shù)與應(yīng)用;2012年03期

3 唐朝偉;肖健;邵艷清;周旭;;全局結(jié)構(gòu)化SIFT描述子在圖像匹配中的應(yīng)用[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2012年01期

4 何周燦;王慶;楊恒;;一種面向快速圖像匹配的擴(kuò)展LSH算法[J];四川大學(xué)學(xué)報(自然科學(xué)版);2010年02期

5 楊恒;王慶;何周燦;;面向高維圖像特征匹配的多次隨機(jī)子向量量化哈希算法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報;2010年03期

6 周劍軍;歐陽寧;張彤;莫建文;;基于RANSAC的圖像拼接方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2009年24期

7 紀(jì)華;吳元昊;孫宏海;王延杰;;結(jié)合全局信息的SIFT特征匹配算法[J];光學(xué)精密工程;2009年02期

8 劉立;彭復(fù)員;趙坤;萬亞平;;采用簡化SIFT算法實(shí)現(xiàn)快速圖像匹配[J];紅外與激光工程;2008年01期

9 張朝偉;周焰;吳思勵;林洪濤;;基于SIFT特征匹配的監(jiān)控圖像自動拼接[J];計(jì)算機(jī)應(yīng)用;2008年01期

10 梁俊杰;楊澤新;馮玉才;;大規(guī)模高維向量空間的快速范圍查詢[J];小型微型計(jì)算機(jī)系統(tǒng);2007年07期

本文編號：2682339