近年來,隨著消費(fèi)級硬件的性能提高、高質(zhì)量的深度傳感器被植入移動設(shè)備和人工智能技術(shù)的迅速發(fā)展,3D人臉識別、人臉模型重建及AR/VR等人工智能產(chǎn)品逐漸在移動設(shè)備上得到應(yīng)用,促進(jìn)了三維重建技術(shù)的普及。針對于輕量級的特定場景模型（如物體、人體、人臉）重建算法的研究是當(dāng)前3D視覺領(lǐng)域的研究熱點(diǎn),在不依賴高配置硬件前提下實(shí)現(xiàn)對物體建�？纱龠M(jìn)物流、機(jī)器人抓取及互娛等領(lǐng)域的發(fā)展,商業(yè)價值大,因此本文基于深度相機(jī)的物體模型重建方法研究具有十分重要的意義。本課題以深度相機(jī)Real Sense D435和樹莓派4B為硬件平臺,基于Linux系統(tǒng)設(shè)計(jì)并搭建了針對物體建模的重建算法框架。以靜態(tài)物體為重建對象,以實(shí)現(xiàn)快速、高效的模型重建為研究目標(biāo),提出了一種基于稀疏幀融合的物體稠密模型重建方案,在不依賴于高配置顯卡加速且保證重建效率的前提下,快速構(gòu)建出物體的稠密模型。文中研究了基于深度相機(jī)和人工棋盤格特征相結(jié)合的方法,獲取相機(jī)的6D運(yùn)動狀態(tài)信息;通過分析相機(jī)的運(yùn)動狀態(tài),確定參考坐標(biāo)系及參考點(diǎn);引入篩選幀環(huán)節(jié),剔除位姿不正確的數(shù)據(jù),篩選出有效的待融合幀。以提高重建效率為目標(biāo),在進(jìn)行融合與重建前,使用深度學(xué)習(xí)中Yo... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

KinectFusion算法流程圖[1]

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文基于RGBD相機(jī)的稠密三維重建，一般使用網(wǎng)格模型融合點(diǎn)云（VolumetricFusion）：2011年，微軟劍橋研究院的Newcombe等人[1,2]在SIGGRAPH上發(fā)布Kinect-Fusion算法（圖1-1），是該領(lǐng)域研究的開山之作。其使用ICP（IterativeClosestPoint）[3]的方式獲取相機(jī)的位姿（frametomodel），采用TSDF（TruncatedSignedDistanceFunction）[4]的方式進(jìn)行融合和光線追蹤（raytracing）[5]的方式獲取點(diǎn)云模型。在高配置顯卡的支持下，首次實(shí)現(xiàn)了基于廉價消費(fèi)類相機(jī)的實(shí)時室內(nèi)場景重建，在當(dāng)時非常有影響力，推動了實(shí)時三維重建的商業(yè)化進(jìn)程。但使用純ICP的方式求解位姿，對輸入圖像幀率的有較高要求，否則位姿精度和模型重建質(zhì)量得不到保證。圖1-1KinectFusion算法流程圖[1]Kinfu是微軟KinectFusion算法的開源實(shí)現(xiàn)。截止到目前，Kinfu已經(jīng)在Kinect系列相機(jī)的SDK，PCL（PointCloudLibrary）1.8及以上版本和Opencv4.0及以上版本庫中得到封裝和應(yīng)用。2012年，愛爾蘭國立大學(xué)的Wheland等人[6]在KinectFusion基礎(chǔ)上做了改進(jìn)，提出了Kintinuous算法。Kintinuous在位姿估計(jì)方面，采用直接法[7,8]與ICP組合的方式，更充分的利用了彩色圖和圖像圖中的信息，提高了位姿求解的精度和算法的魯棒性。對于KinectFusion只能重建固定大小場景的缺點(diǎn)，Kintinuous采用了擴(kuò)展體模型的方式（圖1-2），解決針對大場景重建模型時顯存不足的問題。此外，Kintinuous引入了回環(huán)檢測模塊和回環(huán)優(yōu)化，提高模型重建的效果。圖1-2Kintinuous算法模型擴(kuò)展過程[6]-3-

VoxelHash結(jié)構(gòu)編碼[9]

【參考文獻(xiàn)】：
碩士論文
[1]基于RGBD的柔性可變形物體序列重建[D]. 鄧海金.浙江大學(xué) 2019



本文編號：3448950