【三维重建】三维重构基础知识、三维数据、重建流程

文章目录

- 1.在计算机内生成三维信息
- - 三维图像重构：
  - 四个坐标系
  - - 坐标系转换
    - - 内参矩阵
      - 外参矩阵
  - 图像采集设备的标定方法：
- 2.相关概念
- - （1）彩色图像和深度图像
  - （2）PCL
  - （3）点云数据（PCD）
- 3.三维重建流程
- - 3.1 深度图像获取
  - 3.2 预处理
  - 3.3 点云计算
  - 3.4 点云配准
  - - （1）粗糙配准
    - SfM问题中的不确定性
    - （2）精细配准
    - （3）全局配准
  - 3.5 数据融合
  - - KinectFusion技术
    - TSDF（Truncated Signed Distance Field，截断符号距离场）
  - 3.6 表面生成
- 常用工具

1.在计算机内生成三维信息

1.使用几何建模软件，通过人机交互生成人为控制下的三维：3DMAX、Maya、AutoCAD、UG

2.获取真实的物体形状：三维重构

三维图像重构：

摄像机获取图像，对图像分析处理，结合CV知识推导出现实中物体的三维信息

从二维图像到三维空间的重构（模仿生物两只眼睛观察物体产生的深度）

对二维图像中像素点的三维信息的恢复，尤其是深度信息

一般采用两个摄像机，对同一个物体进行采集。

单视图：信息不完全，需要利用经验知识
多视图：类似人的双目定位，相对比较容易

理想：对每个像素点的深度进行恢复

三维矢量图形代替三维位图

位图：记录一个个的点位，以像素为单位，放大后图像变得模糊不清
矢量图：不受分辨率影响，适合三维建模，线条顺滑，不逼真，无法产生多彩多变的图像

过程：

图像获取：获取二维，影响因素：光照，相机几何特性
摄像机标定：建立有效的成像模型，求解摄像机的内外参数，结合图像得到在空间中的三维点坐标
特征提取：特征点、特征线、区域。
大多以点为匹配基元，怎么提取与怎么匹配紧密联系，提取时确认匹配方法
提取算法：
基于方向导数的方法
基于图像亮度对比关系的方法
基于数学形态学的方法
立体匹配：根据提取的特征，建立各个图像之间的对应关系，将同一个物理空间点，在不同的图像中的成像点，一一对应起来。影响因素：光照，噪声，物体特性，摄像机特性
三维重建：利用匹配结果+摄像机标定的内外参数进行重建

重构方法：

空间点的重建：最基本
空间直线、空间二次曲线的重建
极线约束法
全像素的三维重建：最理想，测量条件严格，仅限于某一具体对象

空间点的三维重建举例：

四个坐标系

1.像素坐标系：图像的每个像素点，存储在数组中，在图像左上角定义原点，建立图像坐标系uv，坐标分别对应数组中的存储位置

2.图像坐标系（ICS）：用来表示像素在图像中的物理位置所建立的坐标系，原点一般在中心。上图xy。

3.摄像机坐标系（CCS）：如图，XY轴与成像平面坐标系的xy平行，Z轴与光轴平行，垂直于图像，交点为图像的主点，也就是成像平面坐标系的原点。OO‘为焦距。

4.世界坐标系（WCS）：在环境中选择一个参考坐标系，描述的是摄像机和物体的位置。与摄像机坐标系的关系用旋转矩阵R和平移向量t来描述。对应关系如下：

坐标系转换

记一个点在

世界坐标系（WCS，World Coordinate System）中的坐标为 $X_w=[x_w,y_w,z_w]^T$ ，

相机坐标系（CCS，Camera Coordinate System）的坐标为 $X_c=[x_c,y_c,z_c]^T$ ，

相机图像中的投影（ICS，Image Coordinate System）中的坐标为 $X=[u,v]^T$

内参矩阵

表示相机和图像的关系

外参矩阵

相机和世界的变换

外参矩阵包括平移矩阵t 和旋转矩阵R

R为3×3， t为3×1

因此，结合上面两个，推导出世界和图像的转换

图像采集设备的标定方法：

摄影测量学的传统设备标定方法：17个参数描述二维与三维的约束关系，计算量大，高精度

直接线性变换法：参数少，便于计算

2.相关概念

（1）彩色图像和深度图像

彩色：RGB，像素点存储其亮度

深度：像素点存储该点到相机的距离，深度值

深度值只与该点到摄像机的距离有关，和光照，环境，方向都没有关系。

但是，由于物体表面反射，半透明或透明物体，深色物体，距离超过量程等因素，会造成深度图缺失

利用一张RGB+一张dept，可以补全

（2）PCL

Point Cloud Library 点云库

PCL框架包括很多先进的算法和典型的数据结构，如滤波、分割、配准、识别、追踪、可视化、模型拟合、表面重建等诸多功能

libpcl I/O：完成数据的输入、输出过程，如点云数据的读写；
libpcl filters：完成数据采样、特征提取、参数拟合等过程；
libpcl register：完成深度图像的配准过程，例如迭代最近点算法；
libpcl surface：完成三维模型的表面生成过程，包括三角网格化、表面平滑等。

（3）点云数据（PCD）

扫描资料以点的形式记录，点可以是三维坐标、颜色、光照强度等。

点云包括几何信息和非几何信息：

几何信息：（能够被空间变换影响的，点的这部分维度叫做特征）如：点的坐标、曲面法线、法向量、切向量。
非几何信息：（不能被空间变换影响，这部分维度叫做描述子）如：颜色、温度、光照强度。

3.三维重建流程

比较常见的流程是：
提取图像特征（如SIFT、SURF等）->利用特征将图像计算图像之间的特征匹配->基于匹配的特征进行稀疏重建，得到各个图像的相机位姿和稀疏的特征点云（SfM）->基于相机位姿进行稠密重建，得到稠密点云（PMVS/CMVS）->基于点云重建网格、体素或者纹理

3.1 深度图像获取

同时获取深度图像和彩色图像

3.2 预处理

对深度图像进行去噪和修复（图像增强）

3.3 点云计算

预处理后的图像具有二维信息，像素点的值为深度信息，物体表面到传感器之间的直线距离

根据上面的结果，计算推导出世界坐标系和图像像素坐标系之间的转换关系

3.4 点云配准

多个不同角度的图片，之间有一些公共部分

为了利用深度图像进行三维重建，需要对图像进行分析，求解各个图片之间的变换参数。

这个配准的过程，以公共部分为基准，把不同时间、角度、光照的多个图像，叠加匹配，到统一的坐标系中。

计算出每个图片相应的平移向量与旋转矩阵，消除冗余信息

（1）粗糙配准

提取多个图片之间的特征点（特征点可以是：直线、拐点、曲线曲率；自定义符号、旋转图形、轴心）

根据特征方程初步配准

粗糙配准后，点云和目标点云将处于同一尺度与参考坐标系内

通过自动记录坐标，得到粗糙配准的初始值

算法：SFM（Structure From Motion）

主要用在单目重建，一段时间内获取连续图像，重建三维环境
双目：多个摄像机，拍摄同一时刻的同一物体，也称为静态立体视觉
单目：一个摄像机，但单个图像无法完成，需要一段时间的一系列图像，也称为动态立体视觉
从不同角度拍摄同一物体
固定传感器，旋转物体
旋转传感器，固定物体
单目根据实时性不同，分为离线重建，在线重建
离线重建：如SFM
在线重建：与SLAM (simultaneous localization and mapping，同步定位与地图绘制)和VO有联系，分为渐进式重建、直接式重建。
渐进式：（深度滤波）利用下一时刻图像，不断融合之前的三维信息
SVO: [https://github.com/uzh-rpg/rpg_svo ](https://github.com/uzh-rpg/rpg_svo (深度滤波在depth_filter.cpp) (深度滤波在depth_filter.cpp里面)
REMODE:https://github.com/uzh-rpg/rpg_open_remode
直接式：（深度融合）利用若干时刻图像，一次性完成一个场景的三维重建。与SFM类似。但计算的图像少，因此实时性高。
SfM指的是给出 $n$ 个固定的三维空间点的 $m$ 张图像: $x_{ij}=P_iX_j, i=1,…,m;j=1,…,n.$
从 $\times n$ 个对应关系 $x_{ij}$ 中估计出 $m$ 个投影矩阵 $P_i$ 和 $n$ 个三维空间中的点
SfM问题中的不确定性
如果我们对场景进行一个变换 $Q$ ，同时对相机矩阵进行其逆变换 $Q^{-1}$ ，则图像会保持不变：
$x=PX=(PQ^{-1})(QX)$
因而SfM问题中会存在不确定性，通过一些约束可以减小不确定性。

（2）精细配准

经过粗糙配准，得到变换估计值，作为初始值

不断收敛和迭代的进行精细配准，达到更加精准

基于最小二乘法对误差函数进行最小化处理，反复迭代，直到均方差误差小于设定阈值

算法：ICP（迭代最近点）、SAA（模拟退火）、GA（遗传算法）

拓展：最小二乘法（最小平方法）（二乘就是平方的意思）
作用：误差估计、不确定度、系统辨识及预测、预报
数学优化技术，通过最小化误差的平方和寻找数据的最佳函数匹配
利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小
同一组数据，选择不同的 $f (x)$ ，通过最小二乘法可以得到不一样的拟合曲线，最小二乘法，就是找一个最接近正确的fx

（3）全局配准

使用整幅图像直接计算转换矩阵。

通过精准配准的结果，进行多帧图像的配准

序列配准：按照一定顺序
同步配准：一次性

减少误差，但消耗内存，时间复杂度也大

3.5 数据融合

配准后的深度信息，仍然是空间中散乱无序的点云数据，只能展现物体部分信息。

对点云数据进行融合，获得更加精细的重建模型

KinectFusion技术

以传感器初始位置为原点，构造体积网格，把点云空间，分割为一堆小的立方体，立方体称为：体素（Voxel）

为所有Voxel赋予SDF值（Signed Distance Field，有效距离场），隐式模拟表面

SDF：此Voxel到重建表面的最小距离值。

SDF大于0，表示Voxel在表面前
SDF小于0，表示Voxel在表面后
SDF接近0，表示Voxel贴近表面

高效实时，但可重建的空间范围小，因为需要大量空间存储大量的Voxel

TSDF（Truncated Signed Distance Field，截断符号距离场）

为了解决Voxel占用大量空间的问题。

TSDF方法，只存储距离真实表面较近的几层Voxel，而不是所有的

可以大幅度降低KinectFusion的内存消耗，减少模型的冗余点

3.6 表面生成

构造物体的可视等值面

常用体素级方法直接处理原始的灰度体数据

体素级重建算法：MC（Marching Cube，移动立方体）

http://paulbourke.net/geometry/polygonise/

常用工具

VisualSFM是一个整合了特征提取、图像匹配、稀疏点云重建、稠密重建（需要单独下载CMVS/PMVS）的软件，，免费但不开源（不能用于商业用途）。基于一系列RGB图像，我们可以得到一个稠密的点云。

PMVS/CMVS用SFM的输出作为输入，利用稀疏的特征点云、图像和对应的相机位姿来重建稠密点云。可以用于商业目的。PMVS指的是将大的点云合理地分割、重建、拼接的过程。

MeshLab是常用的点云、网格显示和处理软件，内置了很多3D重建算法，能够进行基于点云的网格重建、简化等。

COLMAP是一个开源的软件，可以用于商业目的。类似于VisualSFM的前半部分，COLMAP能够用于从图像中得到稀疏特征点云和相机位姿。如果有CUDA的话，COLMAP也能用于稠密点云重建和表面重建。

Bundler是稀疏重建工具，然而效果可能不如VisualSFM

【三维重建】三维重构基础知识、三维数据、重建流程

文章目录

1.在计算机内生成三维信息

三维图像重构：

四个坐标系

坐标系转换

内参矩阵

外参矩阵

图像采集设备的标定方法：

2.相关概念

（1）彩色图像和深度图像

（2）PCL

（3）点云数据（PCD）

3.三维重建流程

3.1 深度图像获取

3.2 预处理

3.3 点云计算

3.4 点云配准

（1）粗糙配准

SfM问题中的不确定性

（2）精细配准

（3）全局配准

3.5 数据融合

KinectFusion技术

TSDF（Truncated Signed Distance Field，截断符号距离场）

3.6 表面生成

常用工具

最新关注

热文推荐

【Python】爬虫代理IP的使用+建立代理IP池

C语言趣味数学——第213天：个人所得税问题

查看redis占用内存的方法详解

深入探索 Django Rest Framework

微信小程序点餐系统的开发与实现

Java虚拟机解读与实战

【三维重建】三维重构基础知识、三维数据、重建流程

文章目录

1.在计算机内生成三维信息

三维图像重构：

四个坐标系

坐标系转换

内参矩阵

外参矩阵

图像采集设备的标定方法：

2.相关概念

（1）彩色图像和深度图像

（2）PCL

（3）点云数据（PCD）

3.三维重建流程

3.1 深度图像获取

3.2 预处理

3.3 点云计算

3.4 点云配准

（1）粗糙配准

SfM问题中的不确定性

（2）精细配准

（3）全局配准

3.5 数据融合

KinectFusion技术

TSDF（Truncated Signed Distance Field，截断符号距离场）

3.6 表面生成

常用工具

相关文章

最新关注

热文推荐