摘要
近年来，随着三维扫描设备的发展，三维点云重建技术已逐渐成为计算机视觉领域的一个重要分支，并在工业生产、虚拟现实、3D打印、自动驾驶等领域得到了广泛应用。然而目前三维扫描设备大多价格昂贵，操作繁琐，无法普及到日常生活中。针对以上问题，本文采用微软的消费级深度相机Kinectv2采集点云数据，并对点云预处理、配准和重建过程进行研究和改进，结合JetsonNano搭建了一套便携式三维点云配准及重建系统。本文的主要研究工作如下: 首先根据张正友标定法，采集彩色和红外标定图像，并通过Matlab相机标定工具获取相机内参矩阵和畸变系数，完成Kinectv2相机标定。然后通过分析彩色图像和深度图像之间的转换关系，实现了彩色图像和深度图像的对齐，生成带有颜色信息和三维坐标的场景点云，并通过包围盒法提取目标点云，然后进行去噪、精简得到可用于配准的点云数据。 其次，针对SAC-IA粗配准算法中配准效率低的问题，在进行一定程度精简的基础上，采用提取ISS关键点的方式进行改进。以斯坦福标准模型进行实验对比分析，结果表明，改进后的SAC-IA算法在保证与原算法误差相差不大的情况下，大大提高了配准效率。 然后，研究了精配准中常用ICP算法的原理和步骤，针对其存在的配准精度低、易陷入局部最优解等问题，提出改进策略。首先以粗配准结果作为输入，防止由于因初始位姿较差而陷入局部最优解的问题，并使用Kd-Tree邻域搜索算法加速对应点查找，同时通过RANSAC算法剔除错误点对，最后选择点到面的误差函数计算配准误差，加快收敛速度。经过实验结果分析，改进后的ICP算法在配准精度和效率上较传统ICP算法均有所提高。 之后，针对配准后点云密度不均匀、表面粗糙导致重建效果不佳的问题，首先采用小尺度体素滤波去除配准后重叠部分的冗余点，并利用移动最小二乘法对点云进行平滑处理，最后通过贪婪投影三角化算法进行曲面重建。结果表明，去除冗余点并平滑后的点云，其重建效果更好。 最后，在JetsonNano平台上，结合Kinectv2、PCL、Qt框架以及上述算法，搭建了三维点云配准及重建系统，实现了相机标定、场景点云采集、数据预处理、点云配准及重建等功能，并通过测试验证了系统的有效性。
NETL