[发明专利]一种基于优化的三维重建的快速图像拼接方法

说明书

本发明公开了一种基于优化的三维重建的快速图像拼接方法，采用运动恢复结构和多视角立体技术构建拍摄区域的密集点云，通过密集点云来实现影像的拼接；在图像特征点提取中采用优化的特征描述子，进行优化调整，在消除误差积累时，提出如何在初始化完成后选择下一个最佳视图的优化策略，保证点云生成的准确性，减少光束平差法失败的可能性。

技术领域

本发明涉及图像三维重建技术领域，主要涉及一种基于优化的三维重建的快速图像拼接方法。

背景技术

三维重建技术是进行全自动图像拼接的重要技术。因其无需人工干预，无需辅助参考影像的特性，学者提出了可以利用基于图像的三维重建技术进行全自动地重建拍摄区域。

目前，基于图像的三维重建技术主要有基于单幅图像利用几何投影和深度学习的方式进行重建，但是这种方式受图像中图形的几何条件和光照条件影响较大，不适合在大型户外场景中使用；有基于RGB-D深度相机，如微软的Kinect等。

在这些理论和方法中，最重要的三类是同时定位和映射(SLAM)、运动结构(SFM)和多视场立体(MVS)算法。其中采用经典的SLAM算法来重建三维图像，目前已有比较成熟的成果，如ORB-SLAM2，这种方法可以在短时间内较高精度地重建受光照条件影响不大的室内场景，但是由于深度相机本身对于环境光照条件非常敏感，这种方法并不适合应用在户外无人机航拍中。

从SFM和MVS技术构建拍摄区域的密集点云，再通过密集点云来实现影像的拼接这种方法可以在不借助其他辅助条件的情况下，较高精度地重建出拍摄地区的三维图像，但是存在计算量较大，实时性很差的缺点。

在实现图像拼接的过程中，需要对图像特征点进行提取，SIFT(尺度不变特征变换)是一种常用的特征描述子，其对旋转、尺度缩放、亮度变化等均保持良好的不变性，是一种非常稳定的局部特征，具有良好的鲁棒性。但是由于SIFT算子的特征向量具有高达128的维数，其计算的复杂程度相当高，需要付出很大的时间成本，降低了效率。

此外，用来消除错误匹配的方法是一个高维非线性优化问题，往往采用迭代的方法来求解，所以需要一个合适的初值。所以选择合适的初始化图像对十分重要，一旦被赋予了错误的初值，将会陷入局部最优中。在初始化的两帧图片进行了第一次光束平差法和重建三维点后，不断添加新的图像，最后得到相机的估计参数和场景的几何信息，即稀疏的三维点云。同时在初值选定后关于下一个视图选择的决策也十分重要，选择的差错会带来巨大的时间代价。

发明内容

发明目的：为了解决上述背景技术中存在的问题，本发明提供了一种基于优化的三维重建的快速图像拼接方法，在消除误差积累时，提出如何在初始化完成后选择下一个最佳视图的优化策略，保证点云生成的准确性，减少光束平差法失败的可能性。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于优化的三维重建的快速图像拼接方法，包括以下步骤：

步骤1、提取n幅输入图像的灰度图；

步骤2、采用快速鲁棒性特征算法对每幅图像特征点进行检测，生成图像描述子X，其中X＝(x₁,x₂...,x₆₄)；所述图像描述子为64维向量，生成步骤如下：

步骤2.1、选取像素点l(x,y,σ)并构建海森矩阵如下：

其中σ为像素点尺度，L_xx(x,σ)、L_xy(x,σ)、L_yy(x,σ)是x点处高斯函数二阶偏导数和图像的二维卷积；