检索结果-南通市图书馆

电工技术 2023年第18期 185-187页

作者：陆建立刘丕亮梁龙杨宇涵内蒙古科技大学信息工程学院内蒙古包头014010

针对封闭储煤场盘煤效率低的问题,采用一种基于单目多视图的三维重建盘煤方法。首先运用改进的运动恢复结构算法重构稀疏点云模型,然后经基于面片的多视图立体视觉算法稠密化点云模型,再对稠密点云采用Delaunay三角剖分法进行三维网格重... 详细信息

针对封闭储煤场盘煤效率低的问题,采用一种基于单目多视图的三维重建盘煤方法。首先运用改进的运动恢复结构算法重构稀疏点云模型,然后经基于面片的多视图立体视觉算法稠密化点云模型,再对稠密点云采用Delaunay三角剖分法进行三维网格重构,最后进行纹理粘贴,形成等比例实景模型。实验结果表明,该方法成本低,实时性较好,能仅用单目相机完整重建封闭储煤场内煤堆模型并使体积测量误差小于5%,具有一定的应用价值。

关键词：单目多视图封闭储煤场三维重建体积测量

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

考虑图像采集的退役零件SfM三维重建精度研究

引用

机电工程 2024年第7期41卷 1269-1275页

作者：岳星宇张秀芬何宇奇内蒙古工业大学机械工程学院内蒙古呼和浩特010051 内蒙古先进制造技术重点实验室内蒙古呼和浩特010051

运动恢复结构(SfM)是一种单目多视图三维重建技术。针对SfM多视图三维重建的速度及质量问题,提出了一种考虑图像采集的退役零件SfM三维重建精度优化方法。首先,构建了图像采集试验平台,以导靴和凸轮轴瓦盖为试验对象,选取图像质量、图... 详细信息

运动恢复结构(SfM)是一种单目多视图三维重建技术。针对SfM多视图三维重建的速度及质量问题,提出了一种考虑图像采集的退役零件SfM三维重建精度优化方法。首先,构建了图像采集试验平台,以导靴和凸轮轴瓦盖为试验对象,选取图像质量、图像数量、拍摄距离及视角数量4个对重建质量有影响的参数为影响因素,每种因素取3个水平,设计了正交试验;然后,根据试验设计方案,对两个试验对象分别进行了9组图像采集,并用Reality Capture软件对其进行了三维建模;最后,根据重建点云和模型的准确性、重建的完整性与重建效率3个指标,对重建结果进行了评价,并进行了正交试验,通过极差分析获得了最优参数组合。研究结果表明:图像数量与视角数量对三维重建质量影响显著,拍摄距离与图像质量对三维重建质量影响不显著。该研究结果可为提高图像三维重建速度及质量提供参考。

关键词：单目多视图三维重建质量三维重建速度运动恢复结构正交试验图像数量视角数量

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

利用特征点检测与匹配算法进行多视图的三维重建研究

利用特征点检测与匹配算法进行多视图的三维重建研究

引用

作者：谢炜健广州大学

学位级别：硕士

多视图三维重建长期受到关注,在文物数字化,医疗卫生,工业零件设计,三维游戏等方面都有应用。稀疏点云重建方式主要有增量Structure-from-Motion（SfM）和全局SfM。由于增量SfM的光束平差调整优化容易累积误差,产生场景漂移现象,且对初... 详细信息

多视图三维重建长期受到关注,在文物数字化,医疗卫生,工业零件设计,三维游戏等方面都有应用。稀疏点云重建方式主要有增量Structure-from-Motion（SfM）和全局SfM。由于增量SfM的光束平差调整优化容易累积误差,产生场景漂移现象,且对初始图像选取的好坏有一定的依赖性,多次的捆绑调整也增加了稀疏点云重建的时间。虽然全局SfM通过构建三视图进行相对平移向量优化和全局位置求解,再进行一次光束平差调整优化,消除了误差积累和场景漂移现象,使得稀疏点云重建时间较快,但其稀疏点云重建的精度和完整性比增量SfM差,不同的图像数据集也会导致全局SfM重建的失败。针对这两种重建方式的优缺点,本文提出一种混合式的稀疏点云重建方法,先通过增量计算获得相对和全局外参参数矩阵,然后将其作为初值传入全局目标函数中进行优化,再通过三角化和三次光束平差调整优化输出精确的稀疏点云。经实验对比验证,本文提出的混合SfM稀疏点云重建方法具有更稳定更鲁棒的重建质量,点云准确性更高,误差更小。本文研究的内容如下:1.对有限摄像机模型,单应矩阵、本质矩阵及其求解进行了研究。对SfM点云重建进行探索,阐述了二视图三角化求解空间三维点的方法,深度信息估计,相机位姿求解及优化方法,例如Perspective-n-Point（PnP）,DLT直接线性变换,光束调整优化等,并对求解Bundle Adjustment（BA）的方法进行了例子推导。2.对相似性搜索进行了研究。阐述了获取关键点的Scale-Invariant Feature Transform（SIFT）算法,进行匹配的Fast Library for Approximate Nearest Neighbor（FLANN）算法,并重点讨论了精匹配中A Contrario-RANdom SAmple Consensus（AC-RANSAC）与RANSAC的区别。3.对SfM稀疏点云重建方法进行了研究。在第一章中简单介绍了增量SfM、全局SfM重建过程与步骤,针对两种重建方式的优缺点,提出了一种新的混合式SfM稀疏点云重建方法,并在第四章中详细说明了该混合式SfM稀疏点云重建方法的细节,重建流程与步骤,增量计算旋转和平移矩阵的方法,以及全局目标函数优化求解。本文采用开源框架和开源图像数据集开展混合SfM研究,使用SIFT算子进行特征检测,使用FLANN方法进行粗匹配,并采用k-dimensional-tree（kd）算法构建特征描述子搜索树,利用K-Nearest Neighbor（KNN）邻域搜索相似点,在精匹配和BA优化中使用AC-RANSAC进行阈值自适应获得鲁棒的相关估计矩阵。本文最后对三种重建方法进行实验对比分析,实验结果表明本文的混合式稀疏点云重建方法在稳定性、鲁棒性、准确性和可行性方面具有一定的优势。

关键词：混合三维重建稀疏点云 AC-RANSAC自适应算法单目多视图

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：