摘要
基于图像的三维几何建模在自主机器人导航、虚拟现实和逆向工程中都有重要的应用意义。三维模型重建中的一个重要的研究内容是从多视角物体的二维图像中生成完整的三维点云。本文研究的主要问题即为生成实际物体的三维计算机模型。我们设计了一套可靠的基于双目视觉和计算机视觉的三维重建系统并深入研究了三维重建的关键技术。
本文的主要研究和设计成果为：
1. 设计并实现了一套基于双目视觉和计算机视觉的三维点云获取与预处理系统。通过OpenCV开源库我们实现了对摄像机的标定和二维图像的三维重投影。为进一步提高点云的质量，本文研究并实现了一种三维点云的增强算法。实验结果证明该算法可以使点云分布更加均匀并有效消除点云模型中的噪声与离群点。
2. 基于PCL库本文设计实现了一套多视角点云拼合算法框架。通过高效的点云特征描述符和鲁棒的初始对齐算法，大大加快了全局拼合细化算法的速度，使整个框架具有较好的实时性。
3. 研究实现了散乱点云三角网格化算法和一种面向主存紧凑高效的三维网格数据结构及其压缩方案。设计实现了一套适合储存和分配空间数据的内存池结构。实验结果证明这种设计方案可以节约3.5倍的内存空间和近30%的速度提升。
4. 针对曲面重建的渲染速度问题，本文在研究分析图形渲染流水线的基础上，实现了一种实时三维网格的渲染算法。实验证明算法可以有效提高GPU工作的效率，优化缓存使用。
 
关键词：双目视觉，曲面重建，点云拼合，实时渲染

 

 
目  录
1  绪论. 1
1.1  研究背景和研究意义. 1
1.2  本文主要研究内容. 2
1.3  研究方法. 2
1.4  论文结构. 2
2  基于双目视觉的数据获取. 4
2.1  概述. 4
2.2  双目视觉. 4
2.3摄像机标定. 5
2.3.1  概述. 5
2.3.2  摄像机模型. 6
2.3.3  校正与标定. 6
2.3.4  立体匹配. 7
2.3.5  三维重投影. 8
2.4   基于OpenCV的数据获取实现. 9
2.4.1  OpenCV概述. 9
2.4.2  摄像机标定. 10
2.4.3  双目图像校正. 11
2.4.4  对应点匹配和重投影. 11
2.5   结论. 11
3  散乱点云数据预处理算法研究与实现. 12
3.1  散乱点云增强. 12
3.1.1  简介. 12
3.1.2  局部最优投影算子(LOP) 12
3.1.3  加权局部最优投影算子(WLOP) 13
3.1.4  测试和实现. 14
3.2  多视角点云拼合. 15
3.2.1  简介. 15
3.2.2  对应点估计. 16
3.2.3  错误对应点对排除. 18
3.2.4  坐标变换计算. 20
3.3.2  算法实现与点云拼合实验. 20
4  三维网格紧凑数据结构研究与实现. 24
4.1  概述. 24
4.2  标准网格数据结构表示. 24
4.3  基于Star的紧凑三维网格表示. 25
4.3.1  基于Star的网格表示. 25
4.3.2  Star 结构的压缩. 26
4.4   顶点重标号算法. 26
4.4.1  Hilbert空间填充曲线. 26
4.5   实现与结论. 27
4.5.1  Star结构的压缩实现. 27
4.5.2  基于分层(Tiered)数组的内存池实现. 28
4.5.3  基于空间邻近性的内存池实现. 30
4.5.4  基于空间填充曲线的索引分配映射. 32
4.5.4 结论. 33
5  散乱数据三角网格化算法研究与实现. 34
5.1  背景. 34
5.2  推进波前算法的设计与实现. 36
5.2.1  算法概述与相关概念. 36
5.2.2  候选点的有效准则. 37
5.2.3  质量优化研究. 37
5.3  三角网格后处理算法. 38
5.3.1  三角网格平滑. 38
5.4  实验结论. 39
6  三维网格实时渲染技术研究与实现. 41
6.1  概述. 41
6.1.1  GPU 渲染流水线. 41
6.1.2  基于三角形网格的渲染. 44
6.1.3  问题重述. 45
6.2  顶点缓存性能衡量标准. 45
6.3  顶点缓存优化算法研究. 45
6.3.1  条状三角形格式 (Triangle strip format) 45
6.3.2  Tipsify 算法. 46
6.4  算法实现与分析测试. 47
6.4.1  算法实现. 47
6.4.2  算法复杂度均摊分析. 48
6.4.3  测试. 49
6.5  结论. 49
结    论. 50
致    谢. 51
参考文献. 52
附    录. 54
附录A 54