搜索
1获得稠密点云的方法主要分为两类：一类是从物体的剪影重建物体的大致轮廓（shapeFromsilhouette[ˌsɪluˈet]）。SFS的基本思想是，物体所在的区域必然包含在这些视锥的交集内部。每个相机与物体在此图像上的轮廓形成视锥，以这种方式形成的模型称为可视外壳。它是物体外轮廓的近视描述。可视外壳重建的常用方法是EPVH（ExactPolyhedralVisualHulls）算法。另一类是从目标所在区域的成像属性出发，利用光度一致性约束，将稀疏特征点周围的一些区域恢复出三维信息，实质上是运动信息结构化的稠密版本。常用的方法是采用基于面片的多视图三维重建PMVS（Patched-basedMulte-ViewStereo）算法。第二类方法比第一类方法有个更高的重建精度。PMVS算法：多视图立体视觉：（MultiviewStereo，MVS）配准和重建是基于图像三维重建的核心步骤。MVS算法可以根据隐含的对象模型被划为4个类型：（1）基于体素的方法：需要一个包含场景的包围盒，它的精度被体素网格的分辨率所限制。（2）基于可变多边形网格的方法：需要一个比较好的起始点。（3）基于多深度图像的方法：非常灵活，但需要将深度图像融入三维模型中。（4）基于面片的方法：以小块集合的形式展示场景。这种方法简单2有效，并且能够符合基于点的绘制技术的视觉要求，但是需要一个后续的处理步骤将块的集合转化成网格模型。PMVS算法属于第四类。该算法准确，简单，高效，能够自动检测和忽略外部点和障碍点，输出具有方向的小矩形面片密集集合。对纹理覆盖不足、凹陷和高区率的区域也有较好的重建效果。一个面片p本质上是曲面的局部切平面逼近。面片p是一个带方向的矩形。点云配准：对于两个点云数据来说，配准的目的就在于找到一个最优的几何变换使得两个点云数据在同一个坐标系下最大程度的对齐融合。点云几何计算获取方法：法向及曲面变分计算：基于局部表面拟合点云特征提取：（1）基于投影点均匀性的方法（2）基于度量函数的方法（3）基于距离比值的方法通过采样点到领域重心点与采样点到领域最远点的距离比值来识别特征点的算法。对于采样点p级及其领域点来说，设点V为采样点p领域内点的重心，与领域重心点的距离称为重心点距；设点Q为最远点，与最远点的距离称为最远点距。如果P为边界特征点，这|PV|3与|PQ|的比值较大，如果P为内部采样点，则|PV|与|PQ|的比值较小。比值越大，采样点越靠近边界，比值越小，采样点越远离边界。具体步骤：（1）计算点P及其领域重心点V的坐标值。（2）计算重心点距|PV|与最远点距|PQ|的比值，并将其作为P的边界提取条件值。（3）以给定边界点概率阈值a，对边界数据点进行提取，保留边界提取条件值大于等于阈值a的数据点。通过实验发现a=0.3时可以取得比较理想的特征点提取效果。4三维点云配准算法最著名的是最近点迭代（IterativeClosestPoint，ICP）算法。ICP算法配准问题属于多视点对齐的问题，多视对齐的数学定义为：给定2个来自不同坐标系的三维数据点集，找出2个点集的空间变换，以便它们能合适地进行空间匹配。旋转变换和平移变换之后使目标函数最小。ICP算法实质是基于最小二乘法的最优匹配算法，直到某个表示正确匹配的收敛准则得到了满足。（1）计算最近点;（2）计算配准几何变换参数;（3）对点云数据施加变换;（4）当前后两次误差之差小于设定的阈值或迭代次数大于设定的次数时,结束迭代过程。改进：基于局部不变特征的两阶段配准算法