转载请注明:http://blog.csdn.net/c602273091/article/details/54561299
介绍
从多个二维图片中重建3D影像是机器视觉必不可少的部分,这篇论文【1】提出的就是做3D重建的工作。这篇论文提出了一种巧妙的实时的方法做3D地图重建——使用稀疏特征和视觉里程计相结合的方法。这种方法包含了立体匹配和创建点云。用这种方法计算出来的视觉里程计是当年11年最好的。该法可以每秒执行25f,同时建立3~4fps的深度地图,可以用于实时3d重建(这个用的是11年的处理器)
本文的贡献在于:1、使用几千个特征匹配实时计算了场景流;2、简单但是又鲁棒的视觉里程计被提出;3、使用ego-motion,集合从LIBELAS的立体测量,解决了匹配连接问题。
3D重建效果如下:
系统概述
整个流水线分成四个部分:特征匹配、ego-motion估计、稠密立体视觉匹配、3D重建。
如下图所示:
特征匹配、ego-motion估计用一个CPU,25fps;稠密立体视觉匹配、3D重建一个CPU,3~4fps。
A、特征匹配
使用blob和角点算子对输入的四幅图片(左右两个方向以及连续的)进行处理;然后使用NMinimumS和NMaximumM就可以得到blob max, blob min, corner max, corner min。然后对这四类进行匹配。进行两个特征点之间的匹配的时候,不是使用RANSAC这样乱匹配,而是假设摄像头平缓移动,然后在该特征点的11x11一个区域计算水平和垂直的Sobel算子计算(用水平再加垂直方向,可以使计算复杂度从O(