摘要
商业中广泛使用的三维重建可分为基于几何的三维重建和基于光学的三维重建。基于几何的重建算法因其庞大的计算量及重建细节精度的不足，在时效性强或精度要求高的领域并不适用。因此利用基于光学的三维重建达到快速且高精度的重建物体三维表面具有重要的研究意义。 传统的光度立体视觉通常假设物体为朗伯体，导致实际应用中面对非朗伯体物体时法向量的估计不够准确；而基于深度学习的光度立体视觉大多都没有与过往传统方法的经验知识结合，仍具改善潜力。法向量积分算法利用法向量重建表面，但会存在棋盘格效应、离群值敏感、表面不连续性丢失等问题。本文针对三维重建过程中的表面恢复问题，重点对光度立体视觉重建法向量精度不足与法向量积分重建表面精度不足这两个关键问题进行研究，具体方案如下： (1)基于局部漫反射最大值的光度立体视觉网络。本文提出基于局部漫反射最大值的光度立体视觉网络，设计一个包含光照估计模块、法向量估计模块以及融合估计模块的网络模型。该模型融合了基于最大漫反射线索的光度立体视觉结果和基于深度学习的光度立体视觉结果。实验结果表明，提出的算法在公开数据集DiLiGenT上的平均角度误差为9.13；在公开数据集LUCES上的平均角度误差为21.82；法向量的重建精度得到提升。 (2)法向量积分算法的改进。首先，利用基于离散泊松方程的法向量积分算法重建深度。然后，对整个深度图像进行块划分并使用图拉普拉斯正则器对块深度进行平滑。最后，将各深度块进行拼接获得完整的深度图像并恢复成三维表面。实验结果表明，提出的方法在公开数据集DiLiGenT上的深度均方根误差为2.052，深度平均绝对误差为1.438。 整体重建方法在DiLiGenT数据集的深度平均绝对误差为6.098，深度均方根误差为7.058；整体重建方法在LUCES数据集的深度平均绝对误差为5.337，深度均方根误差为6.978。综上所述，本文提出的基于局部漫反射最大值的光度立体视觉网络模型可提高物体表面法向量重建精度；本文提出的法向量积分算法的改进，减少出现棋盘格效应、表面不连续性丢失以及对离群值不鲁棒的状况，提高整体重建结果的精度。
NETL