基于深度图像的三维重建中三角面片划分算法的研究

摘要

随着计算机图形学技术的发展，尤其是对三维重建技术研究的关注，使得将获取的散乱点云数据集合进行三角面片重建以及重建后的优化问题，成为了一个热门的研究课题，且研究成果在虚拟现实、模型重建等方面都具有很重要的实用价值。
　　本文采用的是基于双目视觉原理而进行的三维重建方法。人类通过视觉感知、处理、存储和理解外界信息，计算机视觉理论就是以人类视觉原理为基础，通过使用双目相机来模仿人的眼睛来获取需感知的图像信息，然后利用计算机模仿人的大脑工作来对图像进行数字信号的转换、计算和处理，以此获取所拍摄目标物体的三维信息并对其进行重建还原，就好比人们通过眼睛看到的三维世界。
　　本文的主要工作为：
　　1、介绍了本文实验采用的实验原理、图像获取方法、数据的计算方法以及数据的存储方式。利用双目视觉原理来进行三维点云的获取，使用八叉树的方法来进行三维点云的存储；
　　2、讨论了几种常用的散乱点云三角面片划分方法，主要有：基于Delaunay三角形和Voronoi图的三角划分，Crust算法，零集法，α-shape算法，还有基于隐式曲面重建的RBF径向基函数神经网络算法。并对各算法的基本思想和重建过程进行了详细的描述；
　　3、本文的核心是，提出了将生长神经元结构GCS神经网络方法应用到散乱点云的表面重建工作中。研究了GCS学习算法与其特性，通过学习算法对散乱点云进行训练，使最后的面片重建结果更好的逼近于点云，算法保持了数据的拓扑结构，而且重建结果更为平滑；
　　4、介绍了三种常用的对重建后的三角面片进行优化的方法，以及本文采用的是点分裂方法来降低点度数，以保证重建结果更加逼近于目标物体；
　　5、本文实验是利用双目相机拍摄一箱子的45度角，按照本文介绍的方法获取点云数据，并对点云进行三角面片重建，对比算法是采用的Crust三维空间重建方法。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题背景及研究意义

1.2 国内外研究现状

1.3 主要研究内容和结构安排

2 基于深度图像的三维重建的一般过程

2.1 基本概念及理论

2.2 特征提取

2.3 立体匹配

2.4 数据存储

2.5 本章小结

3 常用点云数据的三角面片划分算法综述

3.1 点云的三角面片划分

3.2 经典Delaunay三角划分算法

3.3 零集法

3.4 Crust算法

3.5 α-shape算法

3.6 基于RBF神经网络的三角面片划分算法

3.7 本章小结

4 基于生长神经元模型的三角面片重建算法

4.1 生长神经元模型

4.2 GCS学习算法

4.3 基于GCS的三角面片划分重建

4.4 本章小结

5 三角面片优化算法

5.1 边交换优化准则

5.2 边折叠优化准则

5.3 边分裂优化准则

5.4 本文的优化方法

5.5 本章小结

6 实验过程与实验结果

6.1 实验设备

6.2 数据采集

6.3 特征提取和立体匹配

6.4 三维坐标计算

6.5 三角面片重建

7 总结与展望

7.1 本文总结

7.2 今后的工作及展望

参考文献

致谢