八邻域轮廓跟踪算法_基于改进SFM的三维重建算法研究

物体建模往往需要大量人力和物力，但随着计算机算力提高，计算机视觉研究的不断深入和摄影设备的普及，基于视觉的建模技术成为解决此问题的一种新方法，并成功运用于文物保护、增强现实、自动驾驶、大规模场景三维重建以及医学图像处理等领域^[1]。三维重建作为计算机视觉的一个重要研究内容，基于Marr理论框架，形成了多种理论方法，运动恢复结构(Structure from Motion，SFM)方法^[2]是最广泛采用的方法之一。近年来，基于SFM研制出多种建模系统，如Visual SFM^[3]、ETH-3D^[4]、LS-ACTS^[5]等。

特征点匹配是基于SFM重建算法中最关键的一步，直接影响重建效果^[2]。目前主要匹配算法有KLT(Kanade Lucas Tomasi Tracking，KLT)算法^[6]、尺度不变特征转换(Scale Invariant Feature Transform，SIFT)算法^[7]和加速稳健特征(Speeded Up Robust Features，SURF)算法^[8]等，以及一些上述算法的改进算法，如基于仿射变换的SURF算法^[9]。文献[10]采用SIFT算法提取图像特征点并匹配，结合相机参数将一组匹配点映射为一组空间直线，由于各种误差的存在，直线间将异面，取异面直线公垂线的中点为三维空间点。但SIFT算法实时性差，不利于未来工程应用。文献[11]使用SURF算法，寻找图像序列中的特征点，利用随机抽样一致(Random Sample Consensus，RANSAC)算法优化求解相机位置参数，得到图像的投影矩阵，并三角化生成空间点云，利用投影矩阵将三维点反投影回原图像，消除与原匹配点误差太大的特征点。但SIFT和SURF算法得到的匹配数据都比较稀疏，导致模型不完整。

基础矩阵描述了两幅图像间对极几何的关系，估计基础矩阵是重建过程中重要的一步。估计基础矩阵常用的方法有七点法和八点法等方法，具有计算速度快的优点，但对噪声敏感^[12]。HARLEY R I提出了归一化八点算法，在估计基础矩阵前对匹配点归一化处理，提高了算法的抗噪能力^[13]。

在基于SFM重建算法中，基础矩阵的估计要求匹配数据精度高，三角化重建要求匹配数据数量大，二者对匹配数据的要求不同。本文提出一种采用不同匹配数据的重建算法，首先通过对比上下文直方图(Contrast context histogram，CCH)算法^[14-15]提取图像匹配点对，使用归一化八点算法和M估计抽样一致(M-estimator Sample and Consensus，MSAC)算法^[11]计算基础矩阵F，结合摄像机内参得到本质矩阵后，计算图像旋转矩阵R和平移矩阵T，并得到相机投影矩阵P；然后使用KLT特征跟踪算法更新匹配数据，三角化得到匹配点三维信息；最后将图像匹配点的颜色赋予三维空间点，得到具有颜色信息的点云模型。实验表明，本文算法能有效得到目标点云模型。

1 相关研究工作

1.1 CCH匹配算法

计算CCH描述子之前，通过多尺度拉普拉斯金字塔下提取Harris角点^[15]。将每一个角点P_c的邻域分为4个同心圆，每个圆区域均匀分为8个不重