论文部分内容阅读
三维模型较之二维图像有着更为丰富的信息和更好的直观性。随着三维检索技术的发展,人们发现利用三维检索技术结合三维重建可以解决某些在平面上无法解决的识别和检索问题,基于三维重建的三维模型检索技术得到了日益重视和发展。如何提出高效的基于三维重建的三维检索算法成为了一个前沿并且富有挑战性的课题。基于三维重建的三维模型检索技术是利用计算机技术从一段视频场景中提取目标对象的三维模型然后再按照模型的特征对模型进行归类和检索的技术。工作过程分为特征点选取;根据特征点重建出三维点云模型;将重建后的三维点云模型按照不同的特征进行分类以便于检索。在特征点选取阶段,现有的方法在特征点选取过程中都需要用户的参与,无法达到自动选取特征点;在三维重建阶段,传统的SFM方法严格依赖于二维特征点的对应关系,要求两幅图像的特征点精确对应,但得到特征点的精确对应关系是非常困难的;在三维模型检索阶段,因为重建出的是三维点云模型,点云模型的相似度比较是十分困难的。针对以上问题,本文主要工作归纳如下:第一,在特征点选取阶段,本课题提出一种新的基于Horn-Schunck光流算法和canny算子的二维特征点的标定算法来自动获取特征点。首先使用canny算子提取图像序列中首张图片中对象的边缘,然后采用Horn-Schunck光流算法计算出所有图片的光流场;最后把对象边缘上光流向量最大的一组点作为特征点。第二,在三维重建阶段,本课题采用基于EM算法的SFM算法,这种算法的特点是不需要给出原始图像特征点的精确对应关系,而是采用了一种从空间三维坐标点到二维特征点的“虚拟距离”来辅助完成三维重建,这种“虚拟距离”综合了所有从空间三维坐标点到二维特征点的距离值,然后利用二维特征点对应关系的先验知识配合期望最大化算法(EM,Expectation Maximization Algorithm)来逐步完善“虚拟”距离,最后使“虚拟”距离收敛为从空间三维坐标到二维特征点的距离值,然后得出目标对象的三维点云模型。第三,在三维模型检索阶段,本课题采用Crust算法从点云模型生成对象的表面网格,然后采用一种改进的计算扩展高斯图像(EGI,Extended Gaussian Image)方法配合核密度估计(Kernel Density Estimation)来完成三维模型的匹配和检索。最后通过实验证明该算法分类准确而且执行效率高。