摘要
基于图像的三维重建是近年来计算机视觉领域的研究热点，作为其中的关键技术与处理过程，SfM(由运动恢复结构)获得的重建对象稀疏点云数据直接影响着最终的重建模型质量。对于同样是研究热点的SLAM(即时定位与同步建图)问题，SfM获得的环境稀疏点云数据也直接决定着环境建图和载体位姿估计的精度。 本文对基于无人机航拍图像进行大尺度场景三维重建的SfM算法及其改进问题进行了实验研究。分析了SfM的基本原理，根据具体实现算法的差异，将基于对极几何的主流SfM算法分为增量式、全局式和混合式三类，分析梳理了这些算法的思想、流程和实现细节，总结归纳了各自的特点。以算法的鲁棒性、重建模型的完整性和精度为指标，利用被同类问题研究者普遍采用的公开图像数据集对三种算法进行了实验测试对比研究。在此基础上，提出了一个分层混合式SfM改进算法。基本思路是：全局式SfM在图像间关联度较好时重建性能好、增量式SfM在噪声存在时抗干扰能力强，将两者结合有助于提升重建模型质量，并在其全局式部分加入聚类分割和噪声过滤的过程进一步改善算法的性能。讨论了旋转平均理论、分层聚类、全局旋转估计、主干簇全局式重建、增量式相机位姿估计与优化等算法实现的细节。利用公开图像数据集对提出的算法与三种主流算法进行了实验测试与对比分析。利用该算法分别对公开的无人机航拍图像数据集和自行采集的无人机航拍图像数据集进行了成功的三维重建实验，验证了改进算法的有效性。 鉴于近年来深度学习在计算机视觉领域的快速进展，有理由认为基于深度学习的SfM和三维重建或将是该领域研究的一个新的发展趋势。论文对基于深度学习的SfM和三维重建方法进行了探索性研究。分析了基于深度学习的SfM(DSfM)的原理，借助开源软件包DeMon进行了三维重建实验，测试并对比分析了DSfM与传统两视图SfM的精度性能。也分别针对公开图像数据集和自行航拍采集的图像数据集对一个传统SfM与深度估计网络结合的三维重建方法进行了实验测试。
NETL