关于三维扫描及重建工作

   最近一直在做三维扫描及重建的工作，初次涉及，感觉有点麻烦。每次写算法的时候总会产生头痛的感觉，也许是还不适应做算法吧，当然有了经历就好，以后再做到这样的工作应该就会比较上手了。

   现在在开发的过程中，我先做一个中途的总结，不然时间一长很多又忘了，到后来东西多了也不想总结了。呵呵，废话就不说了，进入正题吧。

 

 

一、三维重建（3D Reconstruction）概述

    三维重建是指对三维物体建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。在计算机视觉中就是将得到的深度数据进行多视角配准、融合和网格化后恢复原本的空间信息，在计算机里建立起三维模型。

    通常获取深度数据的方式有：单目（利用到结构光学）、双目（类似于人眼）和激光扫描仪。这里我主要讲的是利用Kinect的红外扫描获取深度数据来进行三维重建，其实网上也有很多人做过（当然更不用说微软公司的KinectFusion计划了），看过他们的视频，效果蛮好的。

 

二、三维重建中所使用的一些算法

 

（1）遗传算法

    遗传算法来源于生物学，这里我就不讲生物学上的遗传了，我先推荐一本书给大家《遗传算法原理及应用》这里下载：http://wenku.baidu.com/view/9a1cdc7d5acfa1c7aa00cc50.html

  遗传算法的工作过程本质上就是模拟生物的进化过程。首先，要规定一种编码方法，使得你的问题的任何一个潜在可行解都能表示成为一个“数字”染色体。然后，创建一个由随机的染色体组成的初始群体（每个染色体代表了一个不同的候选解），并在一段时期中，以培育适应性最强的个体的办法，让它们进化（其实就是交叉），在此期间，染色体的某些位置上要加入少量的变异。经过许多世代后，运气好一点，遗传算法将会收敛到一个解。遗传算法不保证一定能得到解，如果有解也不保证找到的是最优解，但只要采用的方法正确，你通常都能为遗传算法编出一个能够很好运行的程序。

    遗传算法的最大优点就是，你不需要知道怎么去解决一个问题;你需要知道的仅仅是，用怎么的方式对可行解进行编码，使得它能能被遗传算法机制所利用。

 

遗传算法基本流程：

 

 

编码方法：

    二进制编码大字符集编码序列编码实数编码树编码自适应编码乱序编码二倍体和显性规律

这些编码方式我就不一一讲解了，那本书上基本都有说到，网上可搜。

群体初始化：   

    自己设定一个染色体群体的大小，随机产生染色体中的DNA。

适应度计算：

    适应度的计算是通过适应度约束函数计算的，通过交叉和变异产生的新个体要利用适应度约束函数计算其适应度，再根据选择方法选择出适应性强（适应度大或者小，具体问题具体分析）的染色体。

交叉和变异：

    交叉即是将两个染色体的某些DNA按照一定方法互换形成新个体，变异就是将某个染色体的部分DNA进行变化形成新个体。

 

利用遗传算法粗略求解深度图像配准的R和T

      先给个表达式：

等号两边的坐标分别为两幅深度图像的坐标，R和T就是选择矩阵和平移向量，我们的多视点深度图像配准就是求解出R和T。

其中R可以表示为（有的我懒得打公式，就直接将我的文章里的图截取过来，见谅）：

那么我们对染色体编码就选择实数编码，用一个向量表示R和T

每一个向量就是一个染色体，计算出最优染色体后就可以就出R和T了

再给出一个适应度函数：

下面给出的是一个基因组，也就是一个染色体种群：

//基因组
struct Sgenome
{
 vector <float> vecFloatChrom; //浮点数编码染色体
 float dFitness; //染色体适应度
 void InitSgenome()
 {
  int i;
  for(i = 0;i < 6;i++)
  {
   if(i < 3)
    vecFloatChrom.push_back((rand()*1.0/RAND_MAX)*MAXROTATION);
   else
   {
    switch(i)
    {
     case 3 : vecFloatChrom.push_back((rand()*1.0/RAND_MAX)*DEPTHX/2);
        break;
     case 4: vecFloatChrom.push_back((rand()*1.0/RAND_MAX)*DEPTHY/2);
        break;
     case 5: vecFloatChrom.push_back((rand()*1.0/RAND_MAX)*DEPTHZ/2);
        break;
    }
   }
  }  
 }
};

 

（2）ICP算法

    这里我就不想再多说理论的东西了，网上到处都是，只讲一下算法流程。

    首先利用上面的遗传算法求出的R和T将点集P进行转换，转换后的点集记做Q，然后在另一幅深度图M中寻找P中每个点的最近点，方法就是将每个点看成一个向量，做Q点与M点的差，得到向量V，然后求V的1范数的平方（其实是相当于求两点距离），记为

 ;

   升序排列，选择N(表示两幅图重叠的点数)个最小值，并计算它们的和ST;

   当任何终止条件满足时退出，否则执行ST1 = ST；

计算N个选定点的最优R和T（这里的计算使用了四元组法），使ST最小；

根据计算的R和T又将P点集进行变换，循环到第一步，当循环达到一定次数或者终止条件满足时退出，得到一个最优的R和T

终止条件：

  这里的分母就是N重叠点个数，分子就是ST，当足够小时，满足退出条件  

（3）Denaulay空间四面体剖分算法

由于时间紧迫，这部分改天再写，至于源代码我可以部分贴出，并且大部分还在测试中，有兴趣的朋友可以加我扣扣：295113411大家一起交流，加时请说明加入理由