三維重建的并行化研究.pdf

1、基于圖像序列的三維重建技術(shù)是計算機視覺的重要組成部分，這門技術(shù)的核心是以圖片序列和相機參數(shù)做為輸入，通過計算之后生成三維點云并最終重建為三角網(wǎng)格模型。基于圖像序列的三維重建在現(xiàn)實增強、視頻動畫、文物保護、特征目標(biāo)識別等領(lǐng)域有較為廣泛的應(yīng)用。目前主流的三維重建方法主要有圖像的深度融合算法和基于表面貼片的擴張算法。深度圖像融合算法是將雙目立體匹配得到的多幅深度圖像進行點云匹配融合，融合過程中需要處理大量的噪點，而且最準(zhǔn)匹配結(jié)果易受光照條件等

2、因素的影響；而表面貼片擴張算法通過圖像序列的多目立體匹配提高算法的魯棒性，缺點是算法復(fù)雜、計算量巨大。綜上，本文給出了一種基于CUDA的快速重建方法，并且利用CUDA對算法進行了并行加速，兼顧了重建精度和效率。本文算法基于貼片對圖像序列進行多目立體匹配，首先，由特征提取及匹配找到一組稀疏的三維點，再通過優(yōu)化，從而將這些點進行兩次不同程度的擴張，最終形成稠密的特征三維點云，最后利用泊松表面重建得到物體的最終模型。與之前基于貼片的算法不同的

3、主要是，本文將算法中比較耗時的部分通過了GPU進行加速，最后的實驗結(jié)果表明，這種方法能保證較高的精度，并且能大幅度的提高算法效率。本文的主要內(nèi)容如下：
　　 1.設(shè)計并實現(xiàn)了一個基于圖片序列和兩次不同程度的漸進擴張的適時三維重建方法。利用Harris和DoG算子對圖像序列進行特征提取，分別對每對匹配的特征點形成一個三維點，然后利用貼片對三維點進行優(yōu)化，以至形成一個稀疏的點云；通過兩次不同程度的擴張方法使稀疏的點云逐步變成稠密的點

4、云，每次擴張后對點云進行一次噪聲點的過濾；最后通過表面重建方法把點云轉(zhuǎn)化為光滑的模型表面。
　　 2.設(shè)計并實現(xiàn)了基于GPU的特征提取方法以及并行優(yōu)化方法。將重建算法中主要耗時的部分，包括特征提取、特征匹配、點云擴張和表面重建，都利用GPU對特征點提取并進行了并行加速，設(shè)計并實現(xiàn)了基于GPU的GPU_Harris算子和GPU_DoG算子；特征匹配和點云擴張階段都包含有大量的可優(yōu)化問題，利用這些問題之間的獨立性以及GPU本身的高并