一種大場(chǎng)景對(duì)象的三維重建方法
【專利摘要】一種大場(chǎng)景對(duì)象的三維重建方法，其特征在于：包括以下步驟：1)用相機(jī)從不同視角、位置對(duì)場(chǎng)景對(duì)象采集若干張序列照片；2)、將序列照片劃分為若干單元Ni，3)、采用SIFT算法對(duì)每個(gè)單元的三張序列張片進(jìn)行特征檢測(cè)、匹配；4)將單元N1,(i＝1)的第一張序列照片初始化，計(jì)算另外兩張序列照片的基礎(chǔ)矩陣F、本質(zhì)矩陣E；5)、求解其他單元中每張序列照片的相機(jī)參數(shù)Ri、Ti和三維點(diǎn)云坐標(biāo)Mj)；7)、種子面片的擴(kuò)展；8)、種子面片的過濾；本發(fā)明采用三視圖約束有效的去除誤匹配點(diǎn)得出準(zhǔn)確的基礎(chǔ)矩陣，重建的精度高，并且單元之間不需要坐標(biāo)轉(zhuǎn)換，降低了計(jì)算復(fù)雜度，通過在運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行稠密重建使得到三維模型的點(diǎn)云更加稠密。
【專利說明】
一種大場(chǎng)景對(duì)象的三維重建方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種計(jì)算機(jī)視覺和計(jì)算機(jī)圖形學(xué)領(lǐng)域，尤其是一種大場(chǎng)景對(duì)象的三維 重建方法。
【背景技術(shù)】
[0002] 三維重建的最終目的是恢復(fù)目標(biāo)場(chǎng)景的三維結(jié)構(gòu)，基于圖像序列的三維重建是獲 取三維結(jié)構(gòu)的主要手段之一。該方法可以看作是照相的逆過程，其成本相對(duì)較低，只需要普 通的攝像機(jī)即可，操作簡(jiǎn)單、攜帶方便，基于圖像序列的特征點(diǎn)匹配與多視圖立體重建是計(jì) 算機(jī)視覺技術(shù)中的研究基礎(chǔ)和重點(diǎn)。
[0003] 針對(duì)大場(chǎng)景對(duì)象的三維重建方法現(xiàn)在用的比較多的方法是SFM(Structure From Motion)，其缺點(diǎn)是特征檢測(cè)與匹配時(shí)采用的是對(duì)極幾何約束，只能確定匹配點(diǎn)在對(duì)應(yīng)極線 上，而不能確定匹配點(diǎn)準(zhǔn)確位置，這種約束比較弱。一旦誤匹配點(diǎn)刪除不掉，求解基礎(chǔ)矩陣 就是錯(cuò)誤的，得到的三維點(diǎn)云坐標(biāo)也是錯(cuò)誤的，以此求得的其他圖像匹配點(diǎn)對(duì)應(yīng)的點(diǎn)云坐 標(biāo)也是錯(cuò)誤的，就會(huì)出現(xiàn)誤差累積問題。還有一種是基于獨(dú)立三視圖的三維重建，把每三幅 圖作為一個(gè)獨(dú)立單元進(jìn)行三維重建，重建之后各單元之間進(jìn)行坐標(biāo)變換、比例變換把所有 的三維點(diǎn)云轉(zhuǎn)化到同一個(gè)坐標(biāo)下，該方法計(jì)算復(fù)雜度比較大。另外這兩種方法有一個(gè)共同 的問題是重建的點(diǎn)云都比較稀疏，不能滿足可視化的效果。一般稀疏重建之后還需要進(jìn)行 稠密重建，稠密重建方法用的最多的是基于面片的三維重建(Patched-based Multi-View Stereo，PMVShPMVS方法的輸入是一組圖像序列集合以及稀疏重建求得的相機(jī)參數(shù)R、T，然 后輸出三維模型的密集點(diǎn)云。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種大場(chǎng)景對(duì)象的三維重建方法。
[0005] 本發(fā)明的技術(shù)方案為:一種大場(chǎng)景對(duì)象的三維重建方法，其特征在于:包括以下步 驟：
[0006] 1)用相機(jī)從不同視角、位置對(duì)場(chǎng)景對(duì)象采集若干張序列照片，并按照采集的先后 順序?qū)⑷舾蓮埿蛄姓掌幪?hào)為Ii，（i = l，2,3···!!);
[0007] 2)將序列照片按照編號(hào)的先后順序劃分為若干單元&，（1 = 1，2,3-_1〇，每個(gè)單元 包括依次采集的三張序列照片，并將單元&，（丨=1，2,3···!!)的第三張序列照片作為相鄰下 一單元Ν 1+1，（? = 1，2,3···η)的第一張序列照片，并將該序列照片作為該兩相鄰單元的公共 序列照片；
[0008] 3)通過采用SIFT算法對(duì)每個(gè)單元Ni，（i = l，2,3…η)包含的三張序列照片進(jìn)行特 征檢測(cè)、匹配，并利用三視圖約束去除誤匹配點(diǎn)；
[0009] 4)將單元Ni，（i = 1)的第一張序列照片的相機(jī)參數(shù)初始化，并采用RANSANC算法求 出單元心，（1 = 1)中另外兩張序列照片的基礎(chǔ)矩陣F、本質(zhì)矩陣E，得到該兩張序列照片中每 張序列照片的相機(jī)參數(shù)心、!\和三維點(diǎn)云坐標(biāo)Mj;
[0010] 5)相鄰兩單元中將單元化，（1 = 1，2,3-_11)中公共序列照片的相機(jī)參數(shù)1^、1\作為 其相鄰下一單元化+1，（1 = 1，2,3 - 1〇的公共序列照片的相機(jī)參數(shù)的初始值，并求解其相鄰 下一單元Ni+1，（i = 1，2，3…η)中其他兩張序列照片的相機(jī)參數(shù)Ri、Ti和三維點(diǎn)云坐標(biāo)Mj，以 此計(jì)算出單元11，（1 = 1，2,3-1〇其他兩張序列照片中每張序列照片的相機(jī)參數(shù)1?1、1'1和三 維點(diǎn)云坐標(biāo)Mj;
[0011] 6)利用步驟4、5得到其他單元中每張序列照片的相機(jī)參數(shù)RhTdP三維點(diǎn)云坐標(biāo) Mj，并將所有的序列照片的相機(jī)參數(shù)RnTjP三維點(diǎn)云坐標(biāo)W作為PMVS算法的輸入，從而得 到場(chǎng)景對(duì)象的種子面片；
[0012] 7)種子面片的擴(kuò)展:將序列照片IJ分為若干個(gè)圖像塊QUj)，利用相鄰種子面 片具有位置和法向相似的特性對(duì)種子面片進(jìn)行擴(kuò)展，從而使擴(kuò)展后的種子面片逐步覆蓋目 標(biāo)物體的表面；
[0013] 8)種子面片過濾:采用局部灰度一致性約束和全局可見一致性約束來剔除擴(kuò)展錯(cuò) 誤的種子面片。
[0014] 上述技術(shù)方案中，步驟1)中相機(jī)圍繞場(chǎng)景目標(biāo)采集序列照片時(shí)，相鄰兩張序列照 片之間的角度為5°~15°，采集的所述序列照片數(shù)量為奇數(shù)，采集的序列照片至少為3張。
[0015] 上述技術(shù)方案中，步驟1)中采集的序列照片為45張。
[0016] 上述技術(shù)方案中，步驟3)中采用SIFT算法對(duì)序列照片進(jìn)行特征檢測(cè)、匹配，從而計(jì) 算出每個(gè)單元中三張序列照片的同名像點(diǎn)my，其中任意兩張序列照片的同名像點(diǎn)在另一張 序列照片上的匹配點(diǎn)在該任意兩張序列張片同名像點(diǎn)對(duì)應(yīng)極線的交點(diǎn)上，若匹配點(diǎn)與交點(diǎn) 的距離超過兩個(gè)像素則作為誤匹配點(diǎn)刪除。
[0017] 上述技術(shù)方案中，步驟4)中初始化后的單元化，（1 = 1)的第一張序列照片的相機(jī) 參數(shù)Ri為3 X 3的單位矩陣，1\為3 X 1的零矩陣；
[0018] 采用RANSANC算法求解基礎(chǔ)矩陣F，結(jié)合相機(jī)內(nèi)參K求解本質(zhì)矩陣E，然后對(duì)本質(zhì)矩 陣E進(jìn)行奇異值分解得到相機(jī)參數(shù)!^、!^，并得到三維點(diǎn)云坐標(biāo)…，然后采用集束調(diào)整 (Bundle Adjustment)算法局部?jī)?yōu)化序列照片的相機(jī)參數(shù)Ri、Ti、三維點(diǎn)云坐標(biāo)Mj，通過集束 調(diào)整(bundle adjustment)算法使三維點(diǎn)云坐標(biāo)Mj的重投影點(diǎn)與在第i張序列照片的同名 像點(diǎn)差值的平方和最小，其計(jì)算式為：
[0019] ~ KiRilTtlMj)2,
[0020] 其中D是歐氏距離，N為序列照片數(shù)，Μ為三維點(diǎn)云坐標(biāo)數(shù)。
[0021] 上述技術(shù)方案中，步驟7)中通過種子面片的擴(kuò)展使得至少在每個(gè)圖像塊中重建出 一個(gè)種子面片。
[0022] 上述技術(shù)方案中，步驟8)中擴(kuò)展錯(cuò)誤的種子面片包括外部種子面片和內(nèi)部種子面 片，將種子面片擴(kuò)展、過濾循環(huán)迭代3次使目標(biāo)物體表面被稠密的種子面片完全覆蓋。
[0023] 本發(fā)明的有益效果為:采用三視圖約束可以有效的去除誤匹配點(diǎn)得出準(zhǔn)確的基礎(chǔ) 矩陣，重建的精度高，并且單元之間不需要坐標(biāo)轉(zhuǎn)換，從而大大降低了計(jì)算復(fù)雜度，通過在 運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行稠密重建使得到三維模型的點(diǎn)云更加稠密。
【附圖說明】
[0024]圖1為本發(fā)明的三視圖約束示意圖；
【具體實(shí)施方式】
[0025]下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】作進(jìn)一步說明：
[0026]如圖1所示，一種大場(chǎng)景對(duì)象的三維重建方法，其特征在于:包括以下步驟：
[0027] 1)用相機(jī)從不同視角、位置對(duì)場(chǎng)景對(duì)象采集若干張序列照片，并按照采集的先后 順序?qū)⑷舾蓮埿蛄姓掌幪?hào)為Ii，（i = l，2,3···!!);
[0028] 2)將序列照片按照編號(hào)的先后順序劃分為若干單元牝（1 = 1，2,3-_1〇，每個(gè)單元 包括依次采集的三張序列照片，并將單元化，（丨=1，2,3···!!)的第三張序列照片作為相鄰下 一單元Ν 1+1，（? = 1，2,3···η)的第一張序列照片，并將該序列照片作為該兩相鄰單元的公共 序列照片；
[0029] 3)通過采用SIFT算法對(duì)每個(gè)單元Ni，（i = l，2,3…η)包含的三張序列張片進(jìn)行特 征檢測(cè)、匹配，并利用三視圖約束去除誤匹配點(diǎn)；
[0030] 4)將單元Ni，（i = 1)的第一張序列照片的相機(jī)參數(shù)初始化，并采用RANSANC算法求 出單元化，（1 = 1)中另外兩張序列照片的基礎(chǔ)矩陣F、本質(zhì)矩陣E，得到該兩張序列照片中每 張序列照片的相機(jī)參數(shù)R:、!\和三維點(diǎn)云坐標(biāo)Mj;
[0031] 5)上一單元Ni，（i = l，2,3…η)中公共序列照片的相機(jī)參數(shù)Ri、Ti作為下一單元 化+1，（1 = 1，2,3~1〇第一張序列照片的相機(jī)參數(shù)的初始值，并求解下一單元化+1，（1 = 1，2， 3…η)中其他兩張序列照片的相機(jī)參數(shù)Ri、Ti和三維點(diǎn)云坐標(biāo)Mj，以此計(jì)算出單元Ni+1，（i = 1，2,3…η)其他兩張序列照片中每張序列照片的相機(jī)參數(shù)RnTjP三維點(diǎn)云坐標(biāo)MJ;
[0032] 6)利用步驟4、5得到其他單元中每張序列照片的相機(jī)參數(shù)RnTjP三維點(diǎn)云坐標(biāo) Mj，并將所有的序列照片的相機(jī)參數(shù)RnTjP三維點(diǎn)云坐標(biāo)W作為PMVS算法的輸入，從而得 到場(chǎng)景對(duì)象的種子面片；
[0033] 7)種子面片的擴(kuò)展:將序列照片劃分為若干個(gè)圖像塊QUj)，利用相鄰種子面 片具有位置和法向相似的特性對(duì)種子面片進(jìn)行擴(kuò)展，從而使擴(kuò)展后的種子面片逐步覆蓋目 標(biāo)物體的表面；
[0034] 8)種子面片過濾:采用局部灰度一致性約束和全局可見一致性約束來剔除擴(kuò)展錯(cuò) 誤的種子面片。
[0035] 上述技術(shù)方案中，步驟1)中相機(jī)圍繞場(chǎng)景目標(biāo)采集序列照片時(shí)，相鄰兩張序列照 片之間的角度為5°~15°，采集的所述序列照片數(shù)量為奇數(shù)，采集的序列照片至少為3張。 [0036]上述技術(shù)方案中，步驟1)中采集的序列照片為45張。
[0037] 上述技術(shù)方案中，步驟3)中采用SIFT算法對(duì)序列照片進(jìn)行特征檢測(cè)、匹配，從而計(jì) 算出每個(gè)單元中三張序列照片的同名像點(diǎn)my，其中任意兩張序列照片的同名像點(diǎn)在另一張 序列照片上的匹配點(diǎn)在該任意兩張序列張片同名像點(diǎn)對(duì)應(yīng)極線的交點(diǎn)上，若匹配點(diǎn)與交點(diǎn) 的距離超過兩個(gè)像素則作為誤匹配點(diǎn)刪除，圖1中χ、，、^為任意單元三張序列照片的同名 像點(diǎn)，其中兩張序列照片的同名像點(diǎn)x'、x〃的匹配點(diǎn)在點(diǎn)該兩張序列照片同名像點(diǎn)x'、x〃對(duì) 應(yīng)的極線1 12、113的交點(diǎn)上，如果匹配點(diǎn)與這個(gè)交點(diǎn)的距離超過2個(gè)像素則作為誤匹配點(diǎn)刪 除。
[0038] 上述技術(shù)方案中，步驟4)中初始化后的單元化，（1 = 1)的第一張序列照片的相機(jī) 參數(shù)Ri為3 X 3的單位矩陣，1\為3 X 1的零矩陣；
[0039] 采用RANSANC算法求解基礎(chǔ)矩陣F，結(jié)合相機(jī)內(nèi)參K求解本質(zhì)矩陣E，然后對(duì)本質(zhì)矩 陣E進(jìn)行奇異值分解得到相機(jī)參數(shù)!^、!^，并得到三維點(diǎn)云坐標(biāo)…，然后采用集束調(diào)整 (Bundle Adjustment)算法局部?jī)?yōu)化序列照片的相機(jī)參數(shù)Ri、Ti、三維點(diǎn)云坐標(biāo)Mj，通過集束 調(diào)整(bundle adjustment)算法使三維點(diǎn)云坐標(biāo)Mj的重投影點(diǎn)與在第i張序列照片的同名 像點(diǎn)差值的平方和最小，其計(jì)算式為：
[0040] η?ηΚι；ι·.Μ] Ef=J. 〇 (m,；y· - ΚγΚ-,χΓ^Μρ2,
[0041] 其中D是歐氏距離，N為序列照片數(shù)，M為三維點(diǎn)云坐標(biāo)數(shù)。
[0042]上述技術(shù)方案中，步驟6)中采用Harris和D0G算子檢測(cè)序列照片的特征點(diǎn)，找到滿 足對(duì)極幾何約束的潛在匹配點(diǎn)對(duì)，對(duì)潛在匹配點(diǎn)對(duì)采用三角原理方法求得三維點(diǎn)云坐標(biāo) Mj，種子面片中心C(p)為三維點(diǎn)云坐標(biāo)Μρ序列照片集合為ImzihlizldJ，...，!!}，空間 面片P的單位法向量n(p)為由空間面片中心c(p)指向參考圖像R(p)的相機(jī)光心，即：
[0043] c(p)^{Triangulation from f and f/ }
[0044] n(p) ·<- c(p)(){/,) / ?<;·(p) 0(/,} |
[0045] R(p)-Ii
[0046] 同時(shí)初始化￥(?)，，(？），￥(?)為準(zhǔn)可見圖像集，￥(?)序列照片的空間面片？的單位 法向量n(p)和空間面片中心c(p)所在光線之間的夾角小于60°，即：
[0048]其中0(li)為序列照片Ii對(duì)應(yīng)相機(jī)的光心，
[0049] V$(p)為可見圖像集，V$(p)中的序列照片的空間面片中心c(p)投影到參考圖像R (P)與該序列照片之間的灰度一致性函數(shù)的值大于閾值α = 0.4，即：
[0050] V*(p) = {l|leV(p)，h(p，I，R(p))>a}，
[0051] 其中h(p，I，R(p))是指序列照片I和參考圖像R(p)之間的灰度一致度量，取為1減 去其NCC(歸一化相交相關(guān)值)值，然后用空間面片p在集合V$(p)上的灰度一致性函數(shù)
來進(jìn)一步優(yōu)化空間面片中心c(p)和 空間面片的單位法向量n(p)，用優(yōu)化后種子面片中心c(p)和種子面片的單位法向量n(p)來 更新面片的V(p)、V$ (p)，如果|V$ (p) | > γ，則生成種子面片成功，然后將每張序列照片Ijij 分為大小為β X β(β = 32)的圖像塊Ci (X，y)，任意圖像塊Ci (X，y)有兩個(gè)對(duì)應(yīng)的集合Qi (X，y)、 Q^(x，y)用來存儲(chǔ)該圖像塊對(duì)應(yīng)的可見空間面片，其中，x，y為序列照片1:的索引；然后把生 成的種子面片投影到劃分的序列照片上，記錄種子面片所在的圖像塊(^(^ 7)，
[0053]上述技術(shù)方案中，步驟7)中通過種子面片p的擴(kuò)展使得至少在每個(gè)圖像塊中重建 出一個(gè)種子面片，
[0054]上述技術(shù)方案中，步驟8)中擴(kuò)展錯(cuò)誤的種子面片p包括外部種子面片和內(nèi)部種子 面片，將種子面片擴(kuò)展、過濾循環(huán)迭代3次使目標(biāo)物體表面被稠密的種子面片完全覆蓋。 [0055]上述實(shí)施例和說明書中描述的只是說明本發(fā)明的原理和最佳實(shí)施例，在不脫離本 發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保 護(hù)的本發(fā)明范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種大場(chǎng)景對(duì)象的Ξ維重建方法，其特征在于:包括W下步驟： 1) 通過相機(jī)從不同視角、位置對(duì)場(chǎng)景對(duì)象采集若干張序列照片，并按照采集的先后順 序?qū)⑷舾蓮埿蛄姓掌幪?hào)為Ii，（i = l，2,3…n); 2) 將序列照片按照編號(hào)的先后順序劃分為若干單元扣，。=1，2,3-'11)，每個(gè)所述單元 包括依次采集的Ξ張序列照片，并將單元Νι，α = 1，2,3···η)的第Ξ張序列照片作為相鄰下 一單元Νι+ι，α = 1，2,3···η)的第一張序列照片，并將該序列照片作為該兩相鄰單元的公共 序列照片； 3) 通過采用SIFT算法對(duì)每個(gè)單元Νι，α = 1，2,3…η)包含的Ξ張序列張片進(jìn)行特征檢 巧。、匹配，并利用Ξ視圖約束去除誤匹配點(diǎn)； 4) 將單元Ni，（i = l)的第一張序列照片的相機(jī)參數(shù)初始化，并采用RANSANC算法求出單 元Νι，α = 1)中另外兩張序列照片的基礎(chǔ)矩陣F、本質(zhì)矩陣E，得到該兩張序列照片中每張序 列照片的相機(jī)參數(shù)Ri、Ti和Ξ維點(diǎn)云坐標(biāo)Mj; 5) 相鄰兩單元中將單元Ni，a = l，2,3…η)中公共序列照片的相機(jī)參數(shù)Ri、Ti作為其相 鄰下一單元Νι+ι，α = 1，2,3…η)的公共序列照片的相機(jī)參數(shù)的初始值，并求解其相鄰下一 單元Ni+i，α = 1，2,3···η)中其他兩張序列照片的相機(jī)參數(shù)Ri、Ti和Ξ維點(diǎn)云坐標(biāo)Mj，W此計(jì) 算出單元扣+1，。= 1，2,3-，11)其他兩張序列照片中每張序列照片的相機(jī)參數(shù)私、1'1和；維點(diǎn) 云坐標(biāo)Mj; 6) 利用步驟4、5得到其他單元中每張序列照片的相機(jī)參數(shù)Ri、Ti和Ξ維點(diǎn)云坐標(biāo)Mj，并 將所有的序列照片的相機(jī)參數(shù)Ri、Ti和Ξ維點(diǎn)云坐標(biāo)心作為PMVS算法的輸入，從而得到場(chǎng)景 對(duì)象的種子面片； 7) 種子面片的擴(kuò)展:將序列照片Ii劃分為若干個(gè)圖像塊Ci(x，y)，利用相鄰種子面片具 有位置和法向相似的特性對(duì)種子面片進(jìn)行擴(kuò)展，從而使擴(kuò)展后的種子面片逐步覆蓋目標(biāo)物 體的表面； 8) 種子面片過濾:采用局部灰度一致性約束和全局可見一致性約束來剔除擴(kuò)展錯(cuò)誤的 種子面片。2. 根據(jù)權(quán)利要求1所述的一種大場(chǎng)景對(duì)象的Ξ維重建方法，其特征在于:步驟1)中相機(jī) 圍繞場(chǎng)景目標(biāo)采集序列照片時(shí)，相鄰兩張序列照片之間的角度為5°~15°，采集的所述序列 照片數(shù)量為奇數(shù)，采集的序列照片至少為3張。3. 根據(jù)權(quán)利要求1所述的一種大場(chǎng)景對(duì)象的Ξ維重建方法，其特征在于:步驟3)中采用 SIFT算法對(duì)序列照片進(jìn)行特征檢測(cè)、匹配，從而計(jì)算出每個(gè)單元中Ξ張序列照片的同名像 點(diǎn)mu，其中任意兩張序列照片的同名像點(diǎn)在另一張序列照片上的匹配點(diǎn)在該任意兩張序列 張片同名像點(diǎn)對(duì)應(yīng)極線的交點(diǎn)上，若匹配點(diǎn)與交點(diǎn)的距離超過兩個(gè)像素則作為誤匹配點(diǎn)刪 除。4. 根據(jù)權(quán)利要求1所述的一種大場(chǎng)景對(duì)象的Ξ維重建方法，其特征在于:步驟4)中采用 RANSANC算法求解基礎(chǔ)矩陣F，結(jié)合相機(jī)內(nèi)參K求解本質(zhì)矩陣E，然后對(duì)本質(zhì)矩陣E進(jìn)行奇異值 分解得到相機(jī)參數(shù)Ri、Ti，并得到Ξ維點(diǎn)云坐標(biāo)Mj，然后采用集束調(diào)整算法局部?jī)?yōu)化序列照 片的相機(jī)參數(shù)Ri、Ti、Ξ維點(diǎn)云坐標(biāo)Mj，通過集束調(diào)整算法使Ξ維點(diǎn)云坐標(biāo)Mj的重投影點(diǎn)與 在第i張序列照片的同名像點(diǎn)mu差值的平方和最小，其計(jì)算式為：其中D是歐氏距離，N為序列照片數(shù)，Μ為Ξ維點(diǎn)云坐標(biāo)數(shù)。5. 根據(jù)權(quán)利要求1所述的一種大場(chǎng)景對(duì)象的Ξ維重建方法，其特征在于:步驟7)中通過 種子面片的擴(kuò)展使得至少在每個(gè)圖像塊中重建出一個(gè)種子面片。6. 根據(jù)權(quán)利要求1所述的一種大場(chǎng)景對(duì)象的Ξ維重建方法，其特征在于:步驟8)中擴(kuò)展 錯(cuò)誤的種子面片包括外部種子面片和內(nèi)部種子面片，將種子面片擴(kuò)展、過濾依次循環(huán)迭代3 次使目標(biāo)物體表面被稠密的種子面片完全覆蓋。7. 根據(jù)權(quán)利要求2所述的一種大場(chǎng)景對(duì)象的Ξ維重建方法，其特征在于:采集的序列照 片為45張。
【文檔編號(hào)】G06T17/00GK106097436SQ201610406617
【公開日】2016年11月9日
【申請(qǐng)日】2016年6月12日
【發(fā)明人】林靖宇, 鄭恩
【申請(qǐng)人】廣西大學(xué)