不同尺度空间的室内三维重建问题技术路线

博客下载地址

1、小型场景

框架1 = 几帧单幅深度图像 + 简单图像拼接(ICP算法族);

框架2 = 多帧单幅深度图像 + 相机位姿刚性变换(ICP算法族)+多个深度图像拼接(TSDF方法族);
关键元素:ICP算法族、TSDF算法族。TSDF(Truncated Signed Distance Function)
Change:引入相机位姿变换和TSDF算法。

2. 相机移动的小型场景

2.1. 像素级别:使用KinectFusion的经典方法,也可使用通用双目相机,完成小型场景像素级别重建。使用框架2.
2.2. 特征点级别:特征点级别重建,三维重建问题转化为经典的SLAM问题。引入经典的SLAM的方法——滤波方法 和 对应的地图表示的另一种方式拓扑地图。

单目相机:

框架3= 多帧二维图像 + 特征点检测算法+ 特征点深度计算/相机位姿刚性变换(PNP算法)+ 滤波方法(EKF等框架(运动模型+观测模型))+ ANN/RANSAC/ICP/……;
关键元素:特征点检测、特征点匹配(近邻方法)、PNP算法(三维计算)、滤波方法族、RANSAC。
Change:
1) 基于特征点引入特征提取和特征点模式识别方法,分别为特征点检测算法族 和近邻搜索方法族。
2) 基于特征点的三维计算,引入PNP算法族。
3) 基于滤波框架,线性滤波方法族,用于同时优化相机和特征点刚性变换的误差方程。

双目相机:

使用双目相机的优势在于可获得标准的相机基线,得到空间的绝对尺度,并同时可根据视差算法得到特征点的深度信息。可以使用三维稀疏重建的方法。
框架4= 多帧成对二维图像 + 特征点检测算法/视差计算算法(特征点深度计算)+ 相机位姿刚性变换(ICP算法)+ RANSAC/ICP/……;
关键元素:视差方法(深度计算)、稀疏匹配(ICP方法族)。
Change:
(1)深度计算:使用视差算法 Vs. PNP算法。
(2)位姿刚性变换变换到ICP算法族。
注意:深度计算之后,整体框架类似于KinectFusion方法,区别在于点集变得稀疏,因此稠密点匹配算法替换为稀疏点匹配算法(ANN方法族)

3. 相机移动的中型场景

3.1. 像素级别: 正如上一篇所说的,是一个大型工程问题,不是一个算法和框架可以描述的,需要更多设备和人的配合。再次不再对其进行多加描述。
3.2. 特征点级别:
特征点级别重建,经典的SLAM的方法为滤波方法。而后借鉴SFM思想的平差方法–捆集优化BA(Bundle Adjustment)引入到SLAM中来,因此形成了另一种框架。
框架5= 多帧二维图像 +特征点检测算法+ 特征点深度计算/相机位姿刚性变换(PNP算法)+BA方法(关键帧平差方法)+ ANN/RANSAC/ICP/……+闭环检测(场景匹配方法族);
关键元素:BA方法(图优化方法等)、闭环检测(点集组合场景检测)。
Change:
1) 类似于框架3,位姿和场景同时优化的方法从滤波框架转换到BA框架,引入关键帧平差方法。
2) 基于BA方法,使用关键帧,形式化为无向图,一般使用图优化方法。常用的基础库为G2O。
3) 引入闭环检测,需要使用场景匹配方法(基于特征点),经典方法为使用BOW模型。

4. 相机长期移动的大中型场景

特征点和目标级别: 大型场景需要构建大型地图,应对长期误差累计而发展的方法闭环检测重要性增加。对此,闭环检测引入目标识别,进而引入基于目标检测的场景识别。
框架6= 多帧二维图像 + 特征点检测算法+ 特征点深度计算/相机位姿刚性变换(PNP算法)+目标检测(目标检测方法族)+目标识别(目标识别方法族) + BA方法(关键帧平差方法)+ ANN/RANSAC/ICP/……+ 闭环检测(基于特征点的闭环检测+基于目标的闭环检测+场景检测);
关键元素:目标检测(目标特征提取与目标识别)、场景检测标记(基于目标)。
Change:
1) 基于框架5或者进行改进,引入基于目标的特征提取方法(目标提取)族和模式识别方法(目标识别)族。由此根据不同的场景需要使用不同的目标检测的通用方法。由此一大批模式识别方法融入SLAM过程,从简单的ANN,到MSVM,到DNN方法。
2) 闭环检测之中增加基于目标的闭环检测,和场景识别。场景检测从BOG模型到基于图的场景识别模型,也可以使用DNN方法中CNN方法。
3) ………………………………..。

总结:

三维重建是一个工程问题,发展到三维场景重建,SLAM问题及应对方法相应而生。经典可用的SLAM方法为把SLAM问题转化为滤波方法,是一个真正可用的解决SLAM问题的方法。而后BA方法出现,并随着计算机计算能力的提高,BA方法逐渐应用于SLAM过程。更宽范围的SLAM方法引入目标识别,模式识别的方法(从ANN到MSVM到CNN)引入SLAM,把SLAM发展为“一切问题都可以用模式识别方法来解决”的巨坑。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值