GPS改进的移动球形全景影像三维重建方法

针对传统方法难以直接用大规模测量范围的移动球形全景影像较好地实现三维重建的问题,该文提出基于GPS改进的三维重建方法。采用增量式运动恢复结构算法,基于GPS改进了影像匹配,场景初始化和光束法调整等主要步骤,较好地加快了影像匹配速度,实现大规模影像数据集的EG图的有效构建;减少了两两匹配的误差对初始位姿估计的影响,实现更快更好的模型重建;采用基于GPS位置信息加权的光束法调整优化影像位姿和场景模型,实现三维重建尺度的准确恢复。实验结果表明,本文方法不仅有效地解决了传统增量式运动恢复结构算法在大规模重建过程中丢失影像的问题,还显著地提高了位姿估计效率,并且合理地优化了场景重建效果。     

基于无人机遥感影像拓扑分析的三维重建

在无需任何地面控制点或其它先验知识前提下,探索一种基于无人机遥感影像的三维重建方法.利用无人机飞控数据建立的影像拓扑结构,依次通过特征点提取、影像匹配、从运动恢复结构等步骤估计出相机位置和姿态参数,并恢复出场景特征点云信息,最后对重建精度进行分析.试验结果表明,文中提出的方法可快速、可靠地实现较高精度的三维模型重建.     

顾及影像拓扑的SfM算法改进及其在灾场三维重建中的应用

快速、准确的大场景影像三维重建技术可为灾害应急响应和灾情评估提供重要的决策依据。本文针对运动恢复结构(SfM)算法效率低的问题,提出了一种顾及影像拓扑关联关系的拓扑-运动恢复结构(TSfM)算法。TSfM算法利用低空无人机(UAV)自身的飞控记录构建影像拓扑关联关系,缩小了特征匹配时的影像搜索范围,与传统SfM算法相比,影像匹配的时间复杂度由O(n2)降低为O(n)。实验结果表明,TSfM算法实现了基于无人机影像序列的灾场快速三维重建,重建模型的相对精度与SfM算法的重建精度一致。将该方法用于四川芦山地震UAV影像三维重建,可检测出地震滑坡体及其形态信息。     

无人机影像增量式运动恢复结构研究进展

增量式运动恢复结构（structure from motion, SfM）已经成为无人机影像空中三角测量的常用解决方案。考虑到无人机影像的特点,增量式SfM在效率、精度和稳健性方面的性能有待提高。首先给出了增量式SfM无人机影像空中三角测量的技术流程,然后从特征匹配和几何解算两个方面对其关键技术进行了综述,最后从数据采集方式改变、大场景影像处理、通信与硬件技术发展、深度学习融合等方向,展望了增量式SfM无人机影像空中三角测量的挑战和后续研究,总结本领域的现有研究,为相关研究者提供参考。     

一种基于无人机影像的高效三维重建方法

为提升无人机影像三维重建的效率和稳健性,本文首先将定位测姿系统所获取的POS数据应用于大规模无人机影像三维重建当中,通过构建影像关系图,大大减少了影像匹配量,降低了误匹配率;其次,应用运动恢复结构技术中的李代数旋转平均方法解决了旋转参数的线性化求解问题,并在迭代解算过程提出了将L1范数与最小二乘相结合的计算方法,提高了模型解算成功率。实验结果表明：本文方法在多种条件下均能获取纹理清晰的地表重建模型,且处理效率得到了明显提升,可满足地理信息成果应急保障要求。     

分区优化混合SfM方法

针对大规模无序影像稀疏三维重建问题,本文提出一种稳健、高效且易于并行的分区优化的混合式SfM方法。首先,利用SIFT算法进行影像匹配,无须GPS/INS等其他辅助信息,仅利用影像间的匹配结果计算得到的影像关联度完成影像分区。然后,提出一种改进的增量式SfM方法实现每个分区内快速重建,以及提出多项标准自动剔除不可靠分区并将这些分区内影像重新划分至其他分区,实现分区的动态调整。最后,提出一种稳健高精度的分区融合算法,实现相机参数、影像姿态和场景三维信息的准确融合。多组不同规模、不同影像类型以及不同场景的典型数据试验结果表明本文方法对不同数据集具有很好的稳健性,在保持高精度的同时能大大提高重建效率,尤其适用于大规模影像数据集。     

特征法视觉SLAM逆深度滤波的三维重建

针对现有特征法视觉SLAM只能重建稀疏点云、非关键帧对地图点深度估计无贡献等问题，本文提出一种特征法视觉SLAM逆深度滤波的三维重建方法，可利用视频序列影像实时、增量式地构建相对稠密的场景结构。具体来说，设计了一种基于运动模型的关键帧追踪流程，能够提供精确的相对位姿关系；采用一种基于概率分布的逆深度滤波器，地图点通过多帧信息累积、更新得到，而不再由两帧三角化直接获取；提出一种基于特征法与直接法的后端混合优化框架，以及基于平差约束的地图点筛选策略，可以准确、高效解算相机位姿与场景结构。试验结果表明，与现有方法相比，本文方法具有更高的计算效率和位姿估计精度，而且能够重建出全局一致的较稠密点云地图。     

结合局部单应矩阵的ZY-3遥感影像稠密匹配

针对现有的特征点匹配结果的密集度无法满足于三维重建的需求问题,本文提出了一种结合局部单应矩阵的资源三号遥感影像稠密匹配方法。首先,采用ASIFT算法对资源三号遥感影像进行特征点匹配,通过随机抽样一致性(RANSAC)算法对初始的匹配结果进行优化,提高ASIFT匹配结果的精度;其次,以优化后ASIFT匹配结果作为匹配基元,构建Delaunay三角网,利用Delaunay三角网间的同名三角单元的单应矩阵关系对已有匹配结果进行加密;最后,通过灰度相似性和最小二乘双重约束提高加密特征点的精度,从而达到精匹配的目的。实验选取ZY-3遥感影像作为实验数据,实验表明,本文算法具有较好的可靠性与鲁棒性,能获得比ASIFT匹配多6倍的同名点。     

SIFT和ORB特征检测算法在地形三维重建中的研究与应用

基于影像的三维重建技术是获取地形数据的新方法,其重建效果很大程度上取决于影像的特征检测方式.为探究不同特征检测方法对地形三维重建的影响,本文选取SIFT(Scale-Invariant Feature Transform)和ORB(Oriented FAST and Rotated BRIEF)特征检测算法,采用增量式运动恢复结构(Structure from Motion,SfM)、多视角密集匹配(Clustering Views for/Patch-based Multi-view Stereo,CMVS/PMVS)、自然邻域插值等方法生成区域地形点云和数字表面模型(Digital Surface Model,DSM),比较分析二者在地形重建中的适用性,结果表明:SIFT生成点云分布均匀,DSM的MRE为2.56％,RMSE为6.36 m,适用于全局的地形三维重建;ORB重建速度快,生成DSM的MRE为2.35％,RMSE为5.17 m,适用于快速的地形三维重建.     

摄影测量局部场景稳健合并的并行式运动恢复结构方法

针对并行式运动恢复结构(SfM)在局部场景合并时稳健性差的问题,提出一种摄影测量局部场景稳健合并的并行式SfM方法。对整个场景的影像关联图进行分块及扩展处理,得到相互重叠的子区块,并利用一种改进的增量式SfM方法生成局部场景重建结果。在局部场景合并时,首先利用局部场景的重叠关系构建子区块关联图,并以子区块三元组为单元,进行粗差剔除;然后,利用子区块三元组的代数性质,优化得到更符合几何一致性的子区块间的相对变换;最后,从上述结果中计算得到更准确的局部场景到统一坐标系下的尺度、旋转、平移变换。试验采用无人机影像,结果表明本文方法在局部场景合并时有更好的稳健性,而且SfM结果的精确度也要优于其他并行式方法和COLMAP,在摄影测量和实景三维重建中有较大的应用潜力。     

文物对象近景序列影像位姿高精度估计方法

针对文物对象影像三维纹理重建中影像位姿估计的问题,本文提出了三维数据驱动及平差的位姿高精度估计方法。首先通过影像特征提取、匹配、误匹配点剔除得到准确的同名特征;然后建立首对影像高精度位姿相对关系,并以其像对三维点数据为驱动,结合二三维索引确定后续影像的相对位姿;最后以光束法平差与LM算法确定高精度的影像位姿参数。试验表明,本文方法在确定位姿速度和位姿精度上都体现了一定的优越性,为影像后续的密集点云生成奠定了基础。     

图论算法的无人机影像匹配特征点粗差剔除

无人机影像匹配过程中，粗差是不可避免的，因此，获取稳健性较高的特征点进行无人机影像匹配至关重要。传统的方法是采用经典的RANSAC算法进行粗差剔除，该算法受抽样次数、误差阈值的影响，还会残存部分误匹配的特征点。利用图论原理，对SIFT算法提取的特征点进行预处理，通过构建特征点的能量函数剔除能量较低的特征点，可以提高匹配特征点的稳健性，减少特征点的粗差。本文提出了一种新的方法，将图论算法与经典的RANSAC算法相结合进行粗差剔除。该方法命名为GSIFT-RANSAC算法，利用该算法可以提高特征点的稳健性，获取高精度的单应矩阵。采用两组无人机影像进行验证，本文提出的算法与单独利用图论剔除特征点的算法相比，粗差剔除率分别提高了5.31%和14.29%，说明该方法效果较好。     

一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法

异源遥感影像匹配是高分影像处理中的重要环节与关键问题,但目前异源高分影像匹配精度有待提高。本文提出了一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法,首先利用尺度不变性特征变换（SIFT）对特征点进行提取,随后基于邻域投票对匹配特征点进行二次约束,最后区分出待剔除误差大的匹配点,进而确定精确匹配点。为了评价本文方法的精度,分别对建筑物、道路、水体进行匹配研究,试验证实该方法可以提高上述3种地类的匹配精度,相比传统的SIFT方法平均提高了66%,同时有效地保持了结果的尺度不变性。     

嫦娥三号导航相机测图能力分析及地形重建

基于立体相机成像模型并结合相机参数对嫦娥三号导航相机3维测图能力进行分析,利用摄影测量原理和误差传播定律对巡视器30 m范围内的DEM精度进行了理论分析,推导出导航相机立体影像获得的采样点精度公式,并绘制了DEM的平面精度图和高程精度图;同时使用多线程技术开发了基于导航相机立体影像的地形快速重建算法,利用多线程技术完成影像的特征匹配和密集匹配,并通过分块内插生成DEM。该技术应用于嫦娥三号任务中,有力地支持了嫦娥三号遥操作路径规划相关任务。     

基于FAST和BRIEF的密度聚类图像匹配算法改进

FAST(Features From Accelerated Segment Test)特征检测算法是通过邻域像素比较来确定特征点,运算简单,同时采用BRIEF(Binary Robust Independent Elementary Features)算子进行二值化特征描述,可有效降低数据复杂度,提高匹配速度。因此,结合FAST和BRIEF算法,对截取的图像感兴趣区域(ROI)进行特征点提取,在减少数据量的基础上保证了图像特征点的快速获取与匹配;同时,利用机器学习中的密度聚类(DBSCAN),将暴力匹配特征点对的角度和距离作为二维数据样本集进行簇分类,优化改进匹配结果,有效提高匹配精度。通过实验比对改进结果与RANSAC(Random Sample Consensus)错误剔除算法,表明该方法提取速度快、匹配精度高。     

一种基于空间几何约束的图像面元配准算法

针对在图像匹配中,传统RANSAC算法在特征点提纯方面效率不高的问题,本文采用空间几何约束算法进行特征点提纯,得到初始匹配点集,再通过RANSAC算法进行特征点精确提纯。实验结果表明:该方法在保证较高精度和鲁棒性的前提下,能有效提高RANSAC算法的时间效率,提高图像的拼接精度和速度。     

基于SIFT匹配和RANSAC算法的超分辨率重建

图像超分辨率重建技术是根据序列图像间信息互补重建高分辨率图像的技术，其主要步骤在于精确运动估计算法和有效超分辨率重建算法。针对存在旋转、缩放变换的序列图像，本文提出一种基于SIFT匹配和随机采样一致性算法（RANSAC）的运动估计算法，该方法首先使用SIFT算法对图像序列的特征点进行提取并匹配，然后使用RANSAC算法消除误匹配点并获取投影变换矩阵，从而获得图像序列间的亚像素级的运动信息；采用一组低分辨率序列图像进行试验，基于上述运动估计算法，采用迭代反投影进行超分辨率重建。试验结果表明，运动估计精度较高，重建影像具有较好的视觉效果，尤其适用于影像序列间存在旋转缩放运动的图像序列的超分辨率重建。     

一种基于无人机序列图像的地形地貌三维快速重建方法

提出了一种基于无人机序列图像的地形地貌三维重建方法,该方法采用Harris特征点和SIFT特征向量来提取图像特征,实现图像配准;采用准透视投影模型和因子化方法对未标定的图像序列进行自动标定;通过高效次优解三角化方法获取三维点云坐标;通过准稠密化扩散算法对三维点云进行稠密化;采用捆绑调整算法提高了空间三维点云的精度;采用Possion表面重建方法对三维点云进行了网格化处理.本文为无人机序列图像的应用提供了一个新的思路,拓展了无人机的应用空间.