[发明专利]一种基于图片的三维场景重建方法

说明书

本发明公开了一种基于图片的三维场景重建方法，使用SIFT算法提取无序图片中的特征点得到模型的稀疏点云数据，然后使用Bundler+PMVS算法加密特征点得到密集点云，最后使用泊松区间重建算法将点云中的信息点连接得到最终的三维模型。与现有技术相比，本发明可以使用手机或者相机拍摄需重建模型的图片精准还原出模型形态、颜色、表面纹理等真实的三维模型特征。

技术领域

本发明涉及图片的三维重建技术领域，特别是一种基于图片的三维场景重建方法。

背景技术

随着计算机图形学和计算机视觉技术的发展，三维重建技术广泛应用在医学、虚拟现实、三维测量、计算机动画、工业检测以及地质学等方面。基于图片的三维重建技术就是从已获得图像中提取所需要的二维信息，并通过相机定标、特征点提取、特征匹配和三维重建算法等相关技术将物体的三维信息恢复出来的过程。

现有国内外的大量机构都借助于Kinect进行研究，用户需手持kinect设备，扫描需要重建的物品或者场景，有Kinect相连的计算机会逐步重建出物品或者场景。

但是该方法需要操作人员购买Kinect设备，同时需要性能较高的计算机处理Kinect发送的数据。此外，使用Kinect时需要将该设备与电脑连接，限制了重建操作的应用场景。正是由于上述的缺点，使用Kinect重建三维模型技术只能重建物体或者小规模的场景模型。

发明内容

本发明的目的是要解决现有技术中存在的不足，提供一种基于图片的三维场景重建方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于图片的三维场景重建方法，包括以下步骤：

步骤1、使用SIFT算法提取输入图片中包含的特征点信息，所述特征点信息包括特征点的位置、尺寸、旋转不变量，得到稀疏点云；

步骤2、使用bundler和PMVS算法密集化特征点，相对均匀的向三维空间扩散特征点，从而得到稠密点云；

步骤3、使用泊松区间重建算法将稠密点云中的信息点连接成曲面，再经空间中的所有曲面逐步连接在一起，最终得到重建的三维模型。

具体地，所述步骤1包括：

步骤101、尺度空间极值检测：由于在不同的尺度空间不能使用相同的窗口检测极值点。对小的角点要用小的窗口，对大的角点只能使用大的窗口。为了达到这个目的我们要使用尺度空间滤波器。(尺度空间滤波器可以使用一些列具有不同方差σ的高斯卷积核构成)。使用具有不同方差值σ的高斯拉普拉斯算子(LoG)对图像进行卷积，LoG由于具有不同的方差值σ所以可以用来检测不同大小的斑点(当LoG的方差σ与斑点直径相等时能够使斑点完全平滑)。简单来说方差σ就是一个尺度变换因子。例如，上图中使用一个小方差σ的高斯卷积核是可以很好的检测出小的角点，而使用大方差σ的高斯卷积核时可以很好的检测除大的角点。所以我们可以在尺度空间和二维平面中检测到局部最大值，如(x，y，σ),这表示在σ尺度中(x，y)点可能是一个关键点。(高斯方差的大小与窗口的大小存在一个倍数关系：窗口大小等于6倍方差加1，所以方差的大小也决定了窗口大小)但是这个LoG的计算量非常大，所以SIFT算法使用高斯差分算子(DoG)来对LoG做近似。这里需要再解释一下图像金字塔，我们可以通过减少采样(如只取奇数行或奇数列)来构成一组图像尺寸(1，0.5，0.25等)不同的金字塔，然后对这一组图像中的每一张图像使用具有不同方差σ的高斯卷积核构建出具有不同分辨率的图像金字塔(不同的尺度空间)。DoG就是这组具有不同分辨率的图像金字塔中相邻的两层之间的差值。如图2所示。

在DoG完成之后，就可以在不同的尺度空间和2D平面中搜索局部最大值了。对于图像中的一个像素点而言，它需要与自己周围的8邻域，以及尺度空间中上下两层中的相邻的18(2x9)个点相比。如果是局部最大值，它就可能是一个关键点。基本上来说关键点是图像在相应尺度空间中的最好代表。如图3所示。