本發(fā)明屬于計算機(jī)視覺技術(shù)領(lǐng)域，尤其涉及一種基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法。

背景技術(shù)：

基于圖像序列的三維重建涉及很多學(xué)科，屬于相機(jī)成像原理的逆向過程，研究范圍主要包括：物體目標(biāo)識別，特征檢測，特征匹配等領(lǐng)域。三維重建技術(shù)自誕生以來就成為了計算機(jī)視覺領(lǐng)域的熱點(diǎn)與難點(diǎn)之一。其輸入僅需要一般的彩色圖像，普適性高的特點(diǎn)在對真實世界中的物體建模時，提供了無與倫比的便捷。然而，由于三維重建中有太多需要計算測量的參量，因此如何得到高質(zhì)量的重建模型也成為了其難以攻克的難點(diǎn)。通常，三維重建的核心步驟在于如何得到高質(zhì)量的足夠表達(dá)物體模型信息的點(diǎn)云。通常三維重建分為以下兩種類別：(1)基于圖像序列的三維重建方法?；趫D像序列的三維重建方法通過對物體進(jìn)行環(huán)繞拍攝獲取輸入圖像。根據(jù)圖像中檢測到的特征和圖像之間的特征匹配，獲取兩幀之間的相機(jī)變換方式。通過最小化所有圖像相機(jī)位置的誤差最終確定每一幀圖像拍攝時，相機(jī)相對于世界坐標(biāo)系的旋轉(zhuǎn)和平移，根據(jù)這些信息，能夠確定每一個特征點(diǎn)在空間中的真實位置，從而獲取物體的稀疏點(diǎn)云。然后再通過一些點(diǎn)云增長算法增加獲取得到的點(diǎn)云的稠密度。(2)基于深度相機(jī)的三維重建方法?；谏疃认鄼C(jī)的三維重建方法是通過使用深度相機(jī)實時捕獲圖像和深度圖。即對每一幀圖像來說，都能得到該幀每一個像素點(diǎn)在空間中的位置。而隨著相機(jī)的移動，將下一幀的點(diǎn)云不斷與該幀的點(diǎn)云做匹配，檢測兩幀之間相機(jī)位置的移動，把不同幀的點(diǎn)云融合在一起，得到物體的稠密點(diǎn)云。在以上的方法中，基于圖像序列的三維重建具有輸入數(shù)據(jù)易獲得，具有拍攝環(huán)境要求低，魯棒性強(qiáng)的優(yōu)點(diǎn)。但是由于圖像僅僅能提供二維空間的信息，因此在反向求解三維空間坐標(biāo)時，計算中有很多的誤差和噪聲存在，比如很難得到精確的匹配特征點(diǎn)對，使得得到的點(diǎn)云往往質(zhì)量不夠高，導(dǎo)致最終得到的模型效果不盡人意。而基于深度相機(jī)的方法由于獲取的圖像中，每個像素點(diǎn)都可以被當(dāng)作一個特征點(diǎn)，因此能夠得到足夠稠密的特征點(diǎn)。但由于其需要高質(zhì)量的深度相機(jī)，并且難以應(yīng)付距離較遠(yuǎn)的拍攝，同時目前民用深度相機(jī)最大范圍約在10m左右，因此該方法對拍攝環(huán)境和設(shè)備的要求過高。而基于圖像序列的三維重建不受此限制，只要物體在圖像中呈現(xiàn)出足夠的特征即可。

綜上所述，基于圖像序列的三維重建得到的點(diǎn)云質(zhì)量不夠高，存在較大的誤差；基于深度相機(jī)的方法對拍攝環(huán)境要求過高，需要高質(zhì)量的深度相機(jī)，并且難以應(yīng)付距離較遠(yuǎn)的拍攝。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法，旨在解決基于圖像序列的三維重建得到的點(diǎn)云質(zhì)量不夠高；基于深度相機(jī)的方法對拍攝環(huán)境要求過高，需要高質(zhì)量的深度相機(jī)，并且難以應(yīng)付距離較遠(yuǎn)的拍攝的問題。

本發(fā)明是這樣實現(xiàn)的，一種基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法，所述基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法包括以下步驟：

步驟一，使用基于圖像序列的三維重建算法得到粗糙且稀疏的物體點(diǎn)云，得到每一幀圖像拍攝時相機(jī)在三維空間中的變換矩陣；

步驟二，再次對原始圖像進(jìn)行處理，使用基于鄰域的塊匹配算法，對圖像中進(jìn)行稠密特征匹配；

步驟三，接下來根據(jù)得到的相機(jī)在空間中的位置，對得到的稠密特征點(diǎn)對進(jìn)行合法性檢驗，并將符合要求的特征點(diǎn)映射到三維點(diǎn)云中對應(yīng)的位置；

步驟四，使用基于物體輪廓的外點(diǎn)刪除算法對得到的點(diǎn)云進(jìn)行一次外點(diǎn)過濾，并進(jìn)行一次顏色重映射，得到最終質(zhì)量遠(yuǎn)好于原始點(diǎn)云的稠密點(diǎn)云。

進(jìn)一步，所述基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法具體包括以下步驟：

第一步，使用繞拍圖像序列進(jìn)行傳統(tǒng)的三維重建；

第二步，選取相鄰的圖像進(jìn)行基于鄰域的塊匹配的稠密特征生成算法，確定鄰域步長n，即每幅圖像會與其左右各兩幅圖像進(jìn)行稠密特征的計算；

第三步，確定相鄰圖像匹配的步長n后，遍歷整個圖像序列，以每一幅圖像為基準(zhǔn)圖像，與其后方的n幀圖像進(jìn)行基于鄰域的塊匹配算法；在原始圖像中，沿行和列方向每隔多少個像素點(diǎn)取一個點(diǎn)作為需要進(jìn)行匹配的特征點(diǎn)，用于基于塊匹配的特征計算；

第四步，確定采樣率r后，對于每一對需要進(jìn)行匹配特征的圖像(P₁，P₂)即得到了需要計算的P₁中的匹配點(diǎn)集Pt；遍歷Pt中所有的特征點(diǎn)，以每一個特征點(diǎn)為中心，在其周圍選取X*Y大小的圖像塊，使用插值算法將其行列都擴(kuò)充為原先的8倍，記為I_src；在P₂中，以同樣的坐標(biāo)點(diǎn)為中心，選取M*N大小的圖像塊，同樣使用插值算法將其行列都擴(kuò)充為原先的8倍，記為I_dist；

第五步，當(dāng)I_dist圖像塊大小足夠大時，能夠找到圖像塊I_src所對應(yīng)的圖像塊I_match；此時圖像塊I_match的中心在圖P₂中的位置也就是構(gòu)造圖像塊I_src時所用的特征點(diǎn)在圖像P₂上對應(yīng)的匹配點(diǎn)；

第六步，完成特征匹配后，得到了需要的圖相對之間的稠密特征對；對于圖像序列中的每一幀，將和它進(jìn)行過特征匹配計算的圖像記作P₂；將拍攝P₁和P₂時的相機(jī)光心位置分別記作C₁和C₂；遍歷P₁的特征點(diǎn)集Pt中所有的特征點(diǎn)的位置，在三維空間中的相平面上找到它所在的位置Pt₁^；同時找到Pt₁在圖像P₂上的匹配點(diǎn)在三維空間中相平面上的位置Pt₂^’；并在三維空間中做射線C₁Pt₁’以及C₂Pt₂^’。得到射線L₁和L₂；

第七步，對于得到的射線L₁與L₂來說，如果匹配點(diǎn)對Pt₁與Pt₂是正確的匹配點(diǎn)，那么L₁與L₂在空間中應(yīng)該相交在物體模型的對應(yīng)點(diǎn)上；設(shè)置一個閾值T，當(dāng)這兩條異面直線之間的最近點(diǎn)之間的距離小于T時，這一對匹配點(diǎn)是合法的匹配點(diǎn)對；

第八步，對于得到的合法匹配點(diǎn)對，若所做射線L₁與L₂交于一點(diǎn)，則將交點(diǎn)作為新的特征點(diǎn)補(bǔ)充進(jìn)初始點(diǎn)云中；若L₁與L₂為最近點(diǎn)距離小于閾值T的異面直線；則取L₁和L₂的最近點(diǎn)對的中點(diǎn)位置作為新的三維點(diǎn)加入初始點(diǎn)云中；

第九步，進(jìn)行基于物體輪廓的雜點(diǎn)濾除，對于每一幀圖像，提取物體輪廓，通過得到的相機(jī)變換矩陣，將點(diǎn)云反投影至三維空間中相平面的位置，將輪廓區(qū)域內(nèi)的點(diǎn)保留；而反投影過后，在任意一幀中，出現(xiàn)在物體輪廓外部的點(diǎn)，都將其從點(diǎn)云刪除。

第十步，把點(diǎn)云反投影到每一幀在空間中的相平面，記錄相平面上每一像素點(diǎn)在反投影時距離它最近的點(diǎn)云中的點(diǎn)，將圖像上該像素點(diǎn)的像素值賦值給這個離他最近的點(diǎn)云中的點(diǎn)，從而完成點(diǎn)云顏色的重映射。

進(jìn)一步，所述相機(jī)變換矩陣包括了相機(jī)光心位置相對于世界坐標(biāo)系原點(diǎn)的旋轉(zhuǎn)和平移即[R|T]，其中R為旋轉(zhuǎn)矩陣，T為平移向量。

進(jìn)一步，所述步驟二中使用每兩幀之間旋轉(zhuǎn)5°的拍攝方式，使用的步長為2。

進(jìn)一步，所述步驟三中使用每隔2行2列取一個像素點(diǎn)的采樣率；選取的像素點(diǎn)數(shù)目和算法的時間開銷成正比。

進(jìn)一步，所述步驟四中M和N的值分別需要大于X和Y；使用X，Y為40，M和N為80的參數(shù)設(shè)置。

進(jìn)一步，所述步驟五中，計算位置(x,y)相關(guān)系數(shù)R的公式如下：

其中：

其中，T(x,y)代表圖像I_src中坐標(biāo)(x,y)位置的像素值，I(x,y)代表圖像I_dist中坐標(biāo)(x,y)位置的像素值。w與h分別代表圖像的寬度和高度。

進(jìn)一步，所述步驟六中，在每一幀的相平面上尋找特征點(diǎn)時，需要使用相機(jī)的變換矩陣[R|T]，拍照的焦距為f，某一幀F(xiàn)中，特征點(diǎn)的位置在圖像上為(x,y),其旋轉(zhuǎn)平移矩陣為[R|T]，則其在世界坐標(biāo)系中的三維坐標(biāo)(X,Y,Z)的計算公式如下：

進(jìn)一步，所述步驟七中，設(shè)置的認(rèn)為兩射線L₁與L₂合法的閾值為1e^-2；

所述步驟八中，參數(shù)k是5；

所述步驟九中，將點(diǎn)云反投影到第i幀的相平面的方法需要使用相機(jī)的變換矩陣[R|T]；點(diǎn)云中一點(diǎn)(X,Y,Z)，其投影在第i幀中的坐標(biāo)(u,v)的計算公式為：

其中，f為第i幀的焦距；

所述步驟十中，若多個相平面都將其中的某個點(diǎn)的像素映射到點(diǎn)云中的一個點(diǎn)Pt，則Pt的RGB取這幾個平面的對應(yīng)點(diǎn)的像素均值。

本發(fā)明的另一目的在于提供一種應(yīng)用所述基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法的計算機(jī)視覺系統(tǒng)。

本發(fā)明提供的基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法，對于圖像序列沒有特殊要求，對于參數(shù)的調(diào)整沒有過分的依賴，可以極大程度改善點(diǎn)云的質(zhì)量和稠密度。本發(fā)明在基于圖像序列的三維重建的基礎(chǔ)上，對得到的點(diǎn)云進(jìn)行進(jìn)一步的擴(kuò)充，增加其完整度與稠密度。在現(xiàn)有的三維重建獲取稀疏點(diǎn)云的算法基礎(chǔ)上，大幅度增加點(diǎn)云特征，從而提升最終點(diǎn)云結(jié)果的算法。

本發(fā)明相比與基于SIFT特征的三維重建算法，獲得的點(diǎn)云稠密度，完整度，以及顏色還原度都遠(yuǎn)好于普遍的算法。同時，SIFT對于特征比較平滑的區(qū)域很難提取出正確的特征點(diǎn)，而本發(fā)明基于快匹配的方法，能夠最大化利用每個像素點(diǎn)周邊鄰域的信息，盡可能的增加正確的特征點(diǎn)。同時，基于已計算的到的相機(jī)變換矩，消除了傳統(tǒng)快匹配算法不夠精確的缺點(diǎn)，能夠大量，精確地將缺失或過于稀疏的點(diǎn)云補(bǔ)充成為質(zhì)量較好的點(diǎn)云。

相比基于深度圖像的方法，由于這種方法需要每一幀對應(yīng)的深度圖像，以及相鄰幀之間位移不能過大，所以在無法獲得深度圖的場景很難具有真實的使用價值。目前民用的高分辨率深度相機(jī)往往僅能探測10米以內(nèi)的深度范圍。而激光探測雖然距離足夠，卻達(dá)不到足夠的精度。本發(fā)明只要能夠獲取簡單的圖像，即可實現(xiàn)高質(zhì)量的模型重建，且兩幀之間的位移沒有基于深度圖像的方法所需要的精確，加大了普適性和易用性；使用繞拍圖像進(jìn)行傳統(tǒng)基于SIFT特征的三維重建；確定鄰域匹配步長n；確定采樣步長即需要進(jìn)行匹配的特征點(diǎn)；遍歷圖像序列，對需要計算的圖像對進(jìn)行基于鄰域塊匹配的特征提取；基于1中獲取的相機(jī)矩陣和4中得到的匹配特征，對4中的特征進(jìn)行過濾；基于圖像輪廓對空間中的點(diǎn)云再次進(jìn)行濾除以及顏色矯正。本發(fā)明能夠得到質(zhì)量和稠密都遠(yuǎn)高于傳統(tǒng)算法的點(diǎn)云，能夠大幅度改善原始算法的效果，改進(jìn)重建質(zhì)量；是一種普適性高，魯棒性強(qiáng)的改善三維重建最終點(diǎn)云質(zhì)量的方法。

附圖說明

圖1是本發(fā)明實施例提供的基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法流程圖。

圖2是本發(fā)明實施例提供的實施例1的流程圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖對本發(fā)明的應(yīng)用原理作詳細(xì)的描述。

如圖1所示，本發(fā)明實施例提供的基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法包括以下步驟：

S101:使用傳統(tǒng)的基于圖像序列的三維重建算法得到粗糙且稀疏的物體點(diǎn)云，得到每一幀圖像拍攝時相機(jī)在三維空間中的變換矩陣；

S102：再次對原始圖像進(jìn)行處理，使用基于鄰域的塊匹配算法，對圖像中進(jìn)行稠密特征匹配，該特征匹配的方法能夠得到足夠稠密，但精度較低的匹配特征對；

S103：接下來根據(jù)得到的相機(jī)在空間中的位置，對得到的稠密特征點(diǎn)對進(jìn)行合法性檢驗，并將符合要求的特征點(diǎn)映射到三維點(diǎn)云中對應(yīng)的位置；

S104：使用基于物體輪廓的外點(diǎn)刪除算法對得到的點(diǎn)云進(jìn)行一次外點(diǎn)過濾，并進(jìn)行一次顏色重映射，得到最終質(zhì)量遠(yuǎn)好于原始點(diǎn)云的稠密點(diǎn)云。

下面結(jié)合具體實施例對本發(fā)明的應(yīng)用原理作進(jìn)一步的描述。

實施例1：

本發(fā)明實施例提供的基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法包括以下步驟：

步驟1：對目標(biāo)物體進(jìn)行環(huán)繞拍攝，獲取各個角度的圖像。

步驟2：使用傳統(tǒng)的基于SIFT特征匹配算法的三維重建方法進(jìn)行重建，獲取每一幀拍攝時的相機(jī)旋轉(zhuǎn)矩陣。

步驟3：確定進(jìn)行圖像匹配的步長，并使用基于鄰域塊匹配的特征匹配算法，提取稠密的匹配特征點(diǎn)。特征點(diǎn)提取公式在S5的說明中有詳細(xì)描述。

步驟4：獲取稠密的匹配特征點(diǎn)后，在三維空間中對其進(jìn)行合法性的檢驗，將不滿足閾值條件的特征點(diǎn)從點(diǎn)集中刪除，符合閾值條件的計算其在空間中的真實位置。

步驟5：將步驟4中所有的合法點(diǎn)云加入原有點(diǎn)云中，提升原有點(diǎn)云的稠密度和完整度。

步驟6：進(jìn)行基于輪廓的雜點(diǎn)濾除算法和顏色矯正算法，以濾去少量存在的錯點(diǎn)，并修正擴(kuò)充的點(diǎn)云的顏色，從而完成整個算法流程。

依據(jù)以上步驟最終得到更加稠密完整的高質(zhì)量點(diǎn)云。

本發(fā)明實施例提供的基于鄰域塊匹配提高三維重建點(diǎn)云稠密程度的方法具體包括以下步驟：

S1使用繞拍圖像序列進(jìn)行傳統(tǒng)的三維重建，由于傳統(tǒng)的三維重建基于SIFT特征算法，而SIFT準(zhǔn)確度較高，能夠進(jìn)行亞像素級別的特征提取，故能夠得到準(zhǔn)確的三維空間中相機(jī)位置的變換矩陣。

S2選取相鄰的圖像進(jìn)行基于鄰域的塊匹配的稠密特征生成算法。首先，確定鄰域步長n，即每幅圖像會與其左右各兩幅圖像進(jìn)行稠密特征的計算。

S3確定相鄰圖像匹配的步長n后，遍歷整個圖像序列，以每一幅圖像為基準(zhǔn)圖像，與其后方的n幀圖像進(jìn)行基于鄰域的塊匹配算法。該算法首先需要確定采樣率r，即在原始圖像中，沿行和列方向每隔多少個像素點(diǎn)取一個點(diǎn)作為需要進(jìn)行匹配的特征點(diǎn)，用于基于塊匹配的特征計算。

S4確定采樣率r后，對于每一對需要進(jìn)行匹配特征的圖像(P₁，P₂)即得到了需要計算的P₁中的匹配點(diǎn)集Pt。遍歷Pt中所有的特征點(diǎn)，以每一個特征點(diǎn)為中心，在其周圍選取X*Y大小的圖像塊，使用插值算法將其行列都擴(kuò)充為原先的8倍，記為I_src。在P₂中，以同樣的坐標(biāo)點(diǎn)為中心，選取M*N大小的圖像塊，同樣使用插值算法將其行列都擴(kuò)充為原先的8倍，記為I_dist。

S5基于假設(shè)，認(rèn)為當(dāng)相機(jī)在對圖像進(jìn)行環(huán)繞拍攝時，相鄰兩幀之間的運(yùn)動幅度很小。故在S4中，當(dāng)I_dist圖像塊大小足夠大時，能夠在其中找到圖像塊I_src所對應(yīng)的圖像塊I_match。而此時圖像塊I_match的中心在圖P₂中的位置也就是構(gòu)造圖像塊I_src時所用的特征點(diǎn)在圖像P₂上對應(yīng)的匹配點(diǎn)，由于之前的插值工作，最終進(jìn)行的塊匹配的精度是1/8像素。

S6完成S5中的特征匹配后，得到了需要的圖相對之間的稠密特征對。但由于物體在兩幅圖像之間由于拍照角度的變化，只能做到在I_dist中尋找盡可能接近I_src的圖像塊。因此，這樣提取出來的特征匹配對有較大的噪聲，需要進(jìn)一步處理。在S1中，得到了拍攝圖像每一幀時相機(jī)在三維空間中的位置。在S5中，得到了圖像對之間的匹配特征點(diǎn)對。對于圖像序列中的每一幀，以P₁為例，將和它進(jìn)行過特征匹配計算的圖像記作P₂。將拍攝P₁和P₂時的相機(jī)光心位置分別記作C₁和C₂。遍歷P₁的特征點(diǎn)集Pt中所有的特征點(diǎn)的位置，以點(diǎn)Pt₁為例，在三維空間中的相平面上找到它所在的位置Pt₁^’。同時找到Pt₁在圖像P₂上的匹配點(diǎn)在三維空間中相平面上的位置Pt₂^’。并在三維空間中做射線C₁Pt₁^’以及C₂Pt₂^’。得到射線L₁和L₂。

S7對于S6中得到的射線L₁與L₂來說，如果匹配點(diǎn)對Pt₁與Pt₂是正確的匹配點(diǎn)，那么L₁與L₂在空間中應(yīng)該相交在物體模型的對應(yīng)點(diǎn)上。然而，由于計算中引入的各種誤差和浮點(diǎn)計算的固有誤差，很難找到真正交于一點(diǎn)的情況。因此，在大多數(shù)情況中，L₁與L₂是兩條異面直線，而算法中會設(shè)置一個閾值T，當(dāng)這兩條異面直線之間的最近點(diǎn)之間的距離小于T時，就認(rèn)為這一對匹配點(diǎn)是合法的匹配點(diǎn)對。

S8對于S7中得到的合法匹配點(diǎn)對，若所做射線L₁與L₂交于一點(diǎn)，則將交點(diǎn)作為新的特征點(diǎn)補(bǔ)充進(jìn)初始點(diǎn)云中。若L₁與L₂為最近點(diǎn)距離小于閾值T的異面直線。則取L₁和L₂的最近點(diǎn)對的中點(diǎn)位置作為新的三維點(diǎn)加入初始點(diǎn)云中。新補(bǔ)充進(jìn)三維點(diǎn)云中的點(diǎn)，以其周圍距離最近的k個點(diǎn)色彩的均值作為新點(diǎn)的顏色。這樣得到的點(diǎn)云顏色是有誤差的，具體修正方法見S10。

S9在S8中得到的結(jié)果雖然已經(jīng)濾去了絕大多數(shù)的錯誤匹配點(diǎn)，但是仍然有小部分匹配點(diǎn)存在著誤差，因此對其進(jìn)行基于物體輪廓的雜點(diǎn)濾除。對于每一幀圖像，提取物體輪廓。通過S1中得到的相機(jī)變換矩陣，可以將點(diǎn)云反投影至三維空間中相平面的位置。在此之后，將輪廓區(qū)域內(nèi)的點(diǎn)保留。而反投影過后，在任意一幀中，出現(xiàn)在物體輪廓外部的點(diǎn)，都將其從點(diǎn)云刪除。

S10目前新增加的點(diǎn)云的顏色還是有誤差的，再次通過S9中的方法把點(diǎn)云反投影到每一幀在空間中的相平面。記錄相平面上每一像素點(diǎn)在反投影時距離它最近的點(diǎn)云中的點(diǎn)。將圖像上該像素點(diǎn)的像素值賦值給這個離他最近的點(diǎn)云中的點(diǎn)，從而完成點(diǎn)云顏色的重映射。

所述步驟S1中得到的相機(jī)變換矩陣包括了相機(jī)光心位置相對于世界坐標(biāo)系原點(diǎn)的旋轉(zhuǎn)和平移即[R|T]，其中R為旋轉(zhuǎn)矩陣，T為平移向量。

所述步驟S2中選取的匹配步長最大值視相機(jī)拍攝過程中運(yùn)動的幅度大小而定。在本算法中，使用了每兩幀之間旋轉(zhuǎn)5°的拍攝方式，使用的步長為2。每兩幀之間的變化幅度越大，則相應(yīng)的步長應(yīng)該越小，反之亦然。

所述步驟S3中的采樣率會影響最終生成的匹配點(diǎn)的個數(shù)。在本方法中，使用了每隔2行2列取一個像素點(diǎn)的采樣率。選取的像素點(diǎn)數(shù)目和算法的時間開銷成正比。

所述步驟S4中M和N的值分別需要大于X和Y。在算法實驗中，使用了X，Y為40，M和N為80的參數(shù)設(shè)置。

所述S5步驟中，在I_dist中尋找圖像塊I_src使用了基于相關(guān)系數(shù)的圖像匹配算法。即將圖像塊I_src在圖像塊I_dist上從左至右，從上至下移動，計算每一個位置I_src與其覆蓋的I_dist的區(qū)域的圖像塊的相關(guān)系數(shù)R，并選取相關(guān)系數(shù)最大的位置中I_src所覆蓋的區(qū)域，作為圖像塊I_match。在滑動I_src的過程中，將I_src左上角在I_dist中的坐標(biāo)(x,y)記為當(dāng)前位置的坐標(biāo)。計算位置(x,y)相關(guān)系數(shù)R的公式如下：

其中：

其中，T(x,y)代表圖像I_src中坐標(biāo)(x,y)位置的像素值，I(x,y)代表圖像I_dist中坐標(biāo)(x,y)位置的像素值。w與h分別代表圖像的寬度和高度。

步驟S6中，在每一幀的相平面上尋找特征點(diǎn)時，需要使用相機(jī)的變換矩陣[R|T]。具體公式如下，假設(shè)拍照的焦距為f，某一幀F(xiàn)中，特征點(diǎn)的位置在圖像上為(x,y),其旋轉(zhuǎn)平移矩陣為[R|T]，則其在世界坐標(biāo)系中的三維坐標(biāo)計算公式如下：

步驟S7中，在試驗中設(shè)置的認(rèn)為兩射線L₁與L₂合法的閾值為1e^-2。

步驟S8中，對于參數(shù)k的選取，在試驗中使用的是5。

步驟S9中，將點(diǎn)云反投影到第i幀的相平面的方法需要使用相機(jī)的變換矩陣[R|T]。假設(shè)點(diǎn)云中一點(diǎn)(X,Y,Z)，其投影在第i幀中的坐標(biāo)(u,v)的計算公式為：

其中，f為第i幀的焦距。

步驟S10中，若多個相平面都將其中的某個點(diǎn)的像素映射到點(diǎn)云中的一個點(diǎn)Pt,則Pt的RGB取這幾個平面的對應(yīng)點(diǎn)的像素均值。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。