基于图片序列的三维重建技术探究

陈思思

摘要：基于图片序列的三维重建技术的应用成本较低、操作更加简易，因此受到7更多的关注与使用。基于此，本文针对超大规模数据集、超大分辨率的图像特征进行提取与匹配的难点，提出了基于哈希的全局哈希匹配算法，并以分层重构、内参初始化、多视图重构、重构流程为切入点，阐述了基于图片序列的三维重建。

关键词：图片序列 三维重建技术 全局哈希匹配

引言

现阶段，计算机视觉技术不断发展，也愈加成熟，被应用于更多的领域中，包括辅助医疗、建筑可视化、古文物展示、电脑游戏产业、三维立体电影、虚拟现实等等，主要为各个行业领域提供具有高真实感的三维模型。其中，基于图片序列的三维重建技术的应用成本较低、操作更加简易，因此受到了更多的关注、研究与应用。在基于图片序列的三维重建技术支持下，能够对一组随意拍摄的图片序列完成相机运行位置、有纹理场景的三维模型重建，使用价值更高。

1图片集合特征匹配

在基于图片序列的三维建模过程中需要重点对超大规模数据集、超大分辨率的图像特征进行提取与匹配，而原有的提取与匹配方式已经无法满足的当前的需求。因此，提出一种更高效、快速的匹配算法更加重要。

针对这一情况.笔者提出了基于哈希的全局哈希匹配算法。当图片的数量较大时，使用两两匹配的效率较低。此时，若是可以在点匹配前就得到图像直接的匹配关系，则能够实现匹配速度的提升。为了实现这一目标，可以应用全局迭代哈希匹配（计算）的方式完成图片集合特征匹配，确保能够在图片量大、关系较稀的背景下提升匹配速度。

全局迭代哈希计算过程如下对图像集合构建其图像的哈希特征，并完成编码接着后建起初始匹配图与候选匹配图最终实现完全匹配。其中，在构建图像的哈希特征时，可以将哈希分桶中桶的个数是作为图像哈希特征的维度，将特征点落人哈希桶中的个数作为相应维度的值，完成表示图像全局特征的哈希特征构建。

2基于图片序列的三维重建

2.1分层重构

在不清楚相机的坐标位置和方向、但是了解第二个相机相对于第一个相机的位置与方向时，并不能得出相机相对世界坐标系的绝对位置、或是场景点的位置坐标，最多能够了解到场景点相对于相机的位置。结合欧几里得变换，能够完成重建三维模型与真实三维场景的变换。此时，利用公式pm= KR^T（M -C），可以得到第一幅图像与第二幅图像的投影公式。由于在计算中并不了解R与C，因此可以引入欧几里得变换，设M= Rir（M_C1），则能够得到p，m1= KiM;p2m2= K2R2rRIM+ K2R2r（cl - C2）。以此够得出M，其与实际的M仅相差一个欧几里得变换。

在仅掌握第二个相机相对于第一个相机的方向、且距离未知的条件下，可以使用测度重建结合欧几里得变换的方式完成重建三维模型与真实三维场景的变换。在这一过程中，需要使用对极几何公式Pe2e2= K2R2r（c1 - Cz）。在仅掌握第二个相机相对于第一个相机的方向、且相机内参未知的条件下，可以使用仿射重建的方式。此时，重建三维模型的坐标系与真实世界坐标系之间仅相差一个仿射变换。若是在相机之间的相对方位也未掌握、仅了解两幅图像之间的直接对应点关系时，可以利用摄影重构的方式完成三维场景的重建。

2.2内参初始化

想要对相机运动以及空间结构进行恢复，就必须要提前输入或是预估图像的相机内参数，可以使用相机拍摄标定物的方式完成相机内参数的估计，也可以使用电子相机提供的图片文件信息实现。

当利用固定焦距的电子相机完成图片捕捉时，相机内参保持不变，因此，在使用相机相同且放大倍数不更改的条件下，能够对所有的图片完成相同内参矩阵的估计。使用这一方式得出的内参精度较高，但是工作量较大，且对于采集图片的要求更高。

为了弥补这一不足，可以使用电子相机提供的图片文件信息实现相机内参数的估计。对于电子相机图片来说，其能够同时保存更加多元的信息，包括焦距、快门速度、光圈大小、型号、制造商等等。利用这些信息，能够完成相机焦距的提取，并估计相应的相机内参。

2.3多视图重构

对于一对给定的图像来说，在已知相机参数以及图像对应点关系的条件下，结合三角定位能够重建出对应点的空间坐标。需要注意的是，在这样的计算方式下，得到的空间坐标并非是物体实际的空间坐标。所以，也需要对两两图像获取的三维空间点进行整合，将其转换到同一尺度的坐标系下，完成场景三维空间结构的获取。

另外，在噪音的影响下，利用采集图像完成的特征检测与匹配会性存在一定的误差。利用这些误差，在匹配计算的支持下，能够获取一组三维坐标的初始估计、基于不同图像的视图参数的初始估计。笔者在实践中发现，为了获取更加精确的三维重建结构，就必须要对三维结构以及视图参数展开集束调整优化。

2.4重构流程

三维重构的主要步骤如下：第一，确定基准图像对。此时，需要对图像匹配对中符合单应关系的特征点比例完成计算，并在匹配点对数大于200的匹配对中选择最低比例的匹配对。第=，基准结构初始化。此时，要结合上一步骤中确定的基准图像对完成基础矩阵的计算，并使用初始化内参完成基准摄像矩阵对的获取。同时，要对匹配对展开三角化，得出初始的空間点集，并在集束调整优化的支持下完成参数更新。第三，展开迭代重建。在这一过程中，应当先完成重建候选图像的确定与加入，接着估计相机位置，最后实现集束调整。第四，实现全局优化。要对所有的三维空间点、图像相机位置展开全局性二道集束调整优化，确保空间结构的更加合理。

另外，由于特征点比场景图片的数量更少，因此能够获取的三维空间点数量也较少，并不能更好的满足场景建模的需求。在这一情况下，可以使用基于片面模型的PMVS算法获得稠密的点云数据，提升三维重建的质量。

3总结

综上所述，在基于图片序列的三维建模过程中，需要重点对超大规模数据集、超大分辨率的图像特征进行提取与匹配，因此使用基于哈希的全局哈希匹配算法能够提升匹配速度。通过分层重构、内参初始化、多视图重构，并在遵循重构流程的方式下，实现了基于图片序列的三维重建。

参考文献

[1]杨静.基于多视图的非增量式三维重建关键技术的研究与应用[D].中国科学院大学（中国科学院沈阳计算技术研究所），2018，

[2]罗米，赵霞，陈萌等.基于分段式序列图片集的运动恢复结构[J].计算机工程与应用，2018，54（22）： 205-210+245.