一种基于空间目标图像的三维重建方法

1.本发明属于空间目标图像的三维重建技术领域，涉及一种基于空间目标图像的三维重建方法。


背景技术：

2.三维重建是对三维物体建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。随着互联网技术快速发展，三维重建技术逐渐走向成熟，近些年一直是计算机视觉等领域很重要的研究内容。
3.我们生活在一个三维的世界，与二维图像相比，三维模型更能反映物体的真实感和信息完整度，对于目标物体的局部细节与几何结构描述更为精细，一个重建完整的三维模型可以克服二维图像中出现的自遮挡和部分结构缺失等问题，三维重建的目标是根据单视图或多视图恢复目标物体的三维几何结构。
4.空间目标的航天活动日益频繁，造成非合作的空间目标高速增加。对于太空空间有限的既定事实，需要对在轨状态下的空间目标和非合作性空间目标进行及时的状态信息的了解与分析，及时反馈空间目标的状况，及时做出相应的处理。在这些步骤的实施中，空间目标的三维信息的获取就显得尤为重要，空间目标的结构信息等对于空间技术的发展有着重大意义。因此要对空间目标进行三维重建，得到三维的信息。


技术实现要素：

5.本发明为了解决目前重建前未考虑到噪声等太空目标图像降质及速度慢等问题，提供一种基于空间目标图像的三维重建方法。具体包括以下步骤：
6.步骤1.将获取的空间目标的彩色图像进行中值滤波处理，达到去噪的效果；
7.步骤2.对已做去噪处理的图像采用sift算法(scale-invariant feature transform，尺度不变特征变换)进行特征点提取，得到特征点后进行特征匹配；
8.步骤3.将匹配后的图像进行匹配点数从大到小排序，最大匹配点数作为初始像对；
9.步骤4.基于对极几何理论，对本质矩阵进行svd分解，得到旋转矩阵r和平移矩阵t；
10.步骤5.对三维点云进行计算，然后对三维点进行优化，减小误差；
11.步骤6.加入新图像，每次加入图像都进行优化，直到无图像可加，最后再进行全局优化；
12.步骤7.将得到的稀疏点云用稠密重建算法，得到稠密点云，完成对图像中物体的三维重建。
13.所述步骤1对获取到的空间目标图像进行中值滤波，将图片分为r、g、b三通道分别进行中值滤波，然后合并r、g、b三通道，完成彩色图像去噪。
14.所述步骤2对已做去噪处理的图像进行特征点提取，采用sift算法，通过更改金字塔层数以及阈值，使其提取到更多的特征点，并用gpu进行加速，提高速度；根据得到的特征点，对相邻图像进行flann特征匹配，得到初步的匹配结果，并在之后使用ransac算法进行误匹配点的剔除，获得最终的匹配结果。
15.所述步骤5通过三角化进行三维点云的计算，利用求解的旋转矩阵r和平移矩阵t以及每一对匹配点的坐标，通过这些已知的信息还原匹配点在空间中的坐标，并采用ba算法对其进行优化，减少误差。
16.所述步骤6加入剩余的图像进行迭代，每次加入图像都进行ba优化，直到无图像可加，最后再进行全局ba优化。
17.与现有技术相比，本发明考虑到太空目标图像本身存在着噪声情况，进行了中值滤波处理，能够有效抑制彩色图像噪声，因为三维重建的图像特征点提取非常关键，为提取特征点奠定基础，尽可能减少噪声被误认为特征点，提高了三维重建的鲁棒性；
18.考虑到三维重建场景，采用sift算法，使得特征点提取越多越好，为后续的步骤打下基础，提高了三维重建后的完整度。
附图说明
19.图1为本发明的流程图。
具体实施方式
20.基于图像的三维重建总是会受到噪声的影响，无法充分且准确的提取到图像特征点，也就无法较为完整的重建出所需要的物体，另外特征点的多少也影响着重建的效果。
21.如图1所示，一种基于空间目标图像的三维重建方法，具体包括有以下步骤：
22.步骤1.对获取到的空间目标图像进行中值滤波，将图片分为r、g、b三通道分别进行中值滤波，然后合并r、g、b三通道，达到彩色图像去噪，为接下来的特征提取做准备；
23.步骤2.对已做去噪处理的图像进行特征点提取，采用sift算法，并根据实际情况，更改金字塔层数以及阈值，使其提取到更多的特征点，并用gpu(图形处理器)进行加速，提高速度，然后对得到的特征点进行flann(函数链神经网络)快速高效匹配，匹配后难免有误匹配点，使用ransac(random sample consensus)算法对其进行剔除，尽可能保证匹配的正确性；
24.步骤3.对匹配后的图像进行匹配点数从大到小的排序，将最多匹配的两张图作为最初的初始像对，以此来保证刚形成的点云数量比较多；
25.步骤4.根据几何约束关系，相机在不同时刻两帧图像同时观察到空间点p，设p在两帧图像上的坐标pa和pb，则p
at
epb＝0。其中e称为本质矩阵，包含相机的外参。对本质矩阵e 进行奇异值分解，e＝usv
t
，常量那么最终得到以下旋转矩阵r和平移矩阵t：t
1^
＝uwsu
t
、t2＝-t1、r1＝uwv
t
、r2＝uw
tvt
，将其带入匹配点计算出坐标，判断该坐标点在相机的前面还是在背面(三维点在相机上的投影线与相机的朝向的夹角大于还是小于 90
°
)，选出在相机前面的唯一的一组解，即为正确的一组；
26.步骤5.三角化进行三维点云的计算，利用求解的旋转矩阵r和平移矩阵t以及每一对匹配点的坐标，通过这些已知的信息还原匹配点在空间中的坐标，并采用ba算法(光束平差法bundleadjustment)对其进行优化，减少误差；
27.三角化进行三维点云的计算，但是结果已受到噪声，重投影等因素的影响，与实际坐标仍然存在一些误差，需要进一步优化来提高精度。采用光束平差ba算法，进行重投影误差的最小化计算。利用求解的旋转矩阵r和平移矩阵t以及每一对匹配点的坐标，通过这些已知的信息还原匹配点在空间中的坐标，对相机参数以及三维点进行优化。光束法平差目标函数为：
[0028][0029]
式中：n个三维点，m幅图像，di是三维点i的世界坐标，xj是图像j对应的相机参数，α
ij
表示点i在图像j上是否有投影，有α
ij
＝1，否则α
ij
＝0。d(x,y)表示三维点i与图像j的投影关系，t
ij
是实际投影点；优化的目标是di与xj。
[0030]
步骤6.加入剩余的图像进行迭代，直到无图像可加，每次加入图像都进行ba优化，全部图像处理后，再次进行全局性的ba优化；
[0031]
步骤7.将得到的稀疏点云用稠密重建算法，得到稠密点云，完成对图像中物体的三维重建。
[0032]
通过对空间图像进行彩色图像的中值滤波，以达到在特征点提取之前尽量去除可能被认为是特征点的噪声点，并对sift算法更改层数以及阈值，使用gpu加速，获取最终的稠密点云结果。本发明提出的方法具有更好的鲁棒性，能较为准确的提取特征点，三维重建的点云较精确。
[0033]
应当说明的是，上述实施仅是对本发明的有限实施方式进行描述，并非对本发明的范围进行限定，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围内。