[发明专利]基于结构光的三维图像重建方法、装置及存储介质

说明书

本发明适用图像处理领域，提供了基于结构光的三维图像重建方法、装置及存储介质，该方法包括：提取输入的物体编码图像的主编码特征点；构建主编码特征点的拓扑网络，根据拓扑网络提取物体编码图像中包括的所有编码元素图像；对每个编码元素图像中的图形特征点的初始位置进行定位，计算编码元素图像的辅助编码特征点；根据主编码特征点和辅助编码特征点，使用深度学习网络对所有编码元素图像进行识别；根据预设的极线编码策略，将识别到得的每个编码元素图像对应的编码信息与预先存储的编码图案对应的编码信息进行匹配，以实现解码；根据预先获取的三维图像重建系统标定参数和匹配得到的解码信息对物体进行三维图像重建，以得到物体的三维图像。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于结构光的三维图像重建方法、装置及存储介质。

背景技术

结构光三维重建系统是指通过投射含有特定编码信息的光学图案到物体表面，然后通过解码获取对应性，以解决立体视觉中的匹配问题，进而通过光学三角原理恢复出投影点处的三维空间坐标。根据投射图案的不同，结构光可分为点结构光、线结构光、多线结构光及面结构光，其中点结构光法、线结构光法和多线结构光法虽然比较成熟简单，但是每次重构都需要拍摄多张图像，效率低、测量范围小。面结构光法是使用投影仪将一幅或多幅编码图案投射到三维物体表面，并用摄像机对三维物体表面的编码图案进行拍照，然后利用投射的编码结构光的特点进行图像匹配，最后利用三角法原理算得物体表面点云坐标。

现有的结构光三维重建技术的采用的编码方法大致可划分为时间编码法和空间编码法，时间编码根据投影图像的时间顺序进行编码，然后再将编码图像按照时间顺序连续地投影到物体表面，具有测量精度较高、测量分辨率高的优点，但其测量速度较慢，因此适合于静态目标和场景的三维信息获取。后者仅需投影一幅编码图案，测量速度较快，因此适合于动态目标和场景的三维信息获取。空间编码旨在通过投影单幅编码图像实现物体表面的三维重建，其编码信息由空间编码特征或其不同的排列组合来生成，编码和解码过程均在单幅图像内完成，具有实时性的优势。现有的空间编码结构光常采用颜色信息、灰度信息进行编码，但现有方法的解码效果容易受到物体表面颜色和颜色通道串扰的影响，鲁棒性不强。从该领域的研究现状来看，采用黑白几何特征的空间编码已成为发展趋势，但此类技术编码密度与编码窗口尺寸以及采用的编码元素种类之间存在矛盾，即：如要获得高密度的结构光编码图案，只能增加编码元素种类或者加大编码窗口，而这两种措施最后都会显著加大解码的难度，造成解码成功率的降低。

发明内容

本发明的目的在于提供一种基于结构光的三维图像重建方法、装置及存储介质，旨在解决由于现有基于结构光的三维图像重建方法解码成功率低的问题。

一方面，本发明提供了一种基于结构光的三维图像重建方法，所述方法包括下述步骤：

当接收到用户输入的物体三维图像重建请求时，提取输入的物体编码图像的主编码特征点，所述物体编码图像的编码元素图形具有旋转对称性且包含预设数量的辅助编码特征点；

根据所述物体编码图像的主编码特征点，构建所述主编码特征点的拓扑网络，根据所述拓扑网络提取所述物体编码图像中包括的所有编码元素图像；

使用预设的角点检测算法对每个所述编码元素图像中的图形特征点的初始位置进行定位，根据所述初始位置以及所述编码元素图像的灰度值计算所述编码元素图像的辅助编码特征点；

根据所述主编码特征点和所有所述编码元素图像的辅助编码特征点，使用预先训练好的深度学习网络对所述所有编码元素图像进行识别；

根据预设的极线编码策略，将识别到得的每个所述编码元素图像对应的编码信息与预先存储的编码图案对应的编码信息进行匹配，以实现对应的主编码特征点及辅助编码特征点的解码；

根据预先获取的三维图像重建系统标定参数和所述匹配得到的解码信息对所述物体进行三维图像重建，以得到所述物体的三维图像。