[发明专利]一种智能交通中的三维重建方法及系统

说明书

技术领域

本发明涉及数字图像处理技术领域，尤其涉及一种智能交通中的三维重建方法及系统。

背景技术

近几年来，三维重建一直是计算机视觉领域中一个重要的研究方向,它在虚拟现实、物体识别和可视化等方面有着广泛的应用。如何在计算机中对场景进行快速、有效的重建,向来都是计算机视觉研究领域的热点和难点。

三维重建(也称为“多视图几何”)是在一个静态场景下的一系列的图像(如建筑、街道、车辆等)来估计场景的三维结构。同时估计多视图几何可能不一样复杂的对象识别，它需要许多任务；一些例子包括获得致密重建、创建详细的3D模型或犯罪现场、测量距离的图像、机器人技术、建立一个内部三维模型从图像导航、渲染视频特效等。此外,通过多视图系统获得的信息可以用作更高水平的输入、识别或其他系统。

三维技术开始应用于智能交通领域以来，已得到了广泛应用。但长期以来，由于缺乏必要的技术，对车辆检测、路况分析等智能交通应用领域多局限于进行简单的定性分析。随着计算机视觉技术和图像处理技术的发展，使利用摄影图像对智能交通领域进行定量分析成为可能。近年来，国内外对立体视觉技术在智能交通领域再现中的应用进行了广泛的研究，研究范围主要集中于以下三个方面：

(1)利用立体视觉技术事故现场；

(2)利用立体视觉技术车辆变形；

(3)利用立体视觉技术进行智能识别。

由于立体视觉技术能够迅速而完整地记录交通场景中的各种信息，若能利用摄影图像来定量测量交通场景，则可提高场景的勘测速度，减少占道时间，提高道路通行能力。因此，国内外对利用摄影图像测量交通场景的研究较多。

发明内容

本发明的目的是提供一种智能交通中的三维重建方法及系统，采用改进的KLT跟踪算法、优化了特征点模型，提高了跟踪效率，同时运用先提取关键帧作为子集，对子集进行重建，最后再合并子集的方法，解决了所得视频较短、场景中特征点跟踪丢失、错误等影响图像信息深度获取的问题。

本发明所述一种智能交通中的三维重建方法，是利用改进的KLT算法实现检测场景中目标特征点的提取和动态跟踪以及特征点自动补全，分布重建算法对目标进行三维重建，具体包括以下步骤：

S101、摄像机标定：获取摄像机的内在和外在的参数、校准相机并测定深度；

S102、同步获取带有场景深度信息的原始视频图像；为了保证所录入的视频或拍摄的图像有足够的信息深度，可以通过一个或多个设备(如果是多个设备需考虑同步问题)在不同视角对目标场景进行信息采集；

S103、跟踪视频场景中目标的特征点；通过改进的KLT算法，先确定合适的特征点来进行跟踪，然后在整个视频序列中跟踪这些特征块；

S104、选取视频关键帧：通过阈值法和分布处理的方法，选取一组关键帧；

S105、对选取的帧进行重建：采用三点六帧发重建模型，并用流光法平差优化模型；

S106、对子集进行打包处理；

S107、得到最终三维模型。

所述步骤S101具体包括：可以通过计算机利用Matlab摄像机标定工具箱及摄像机的内外参数对摄像机拍摄的图片用立体图像对校正指令进行校正，并得到校正后内外参数，然后进行线性高通滤波。

所述步骤S103包括：特征点自动补全机制：在首帧中找到合适的目标特征点后，从下一帧开始定位到前一帧所有目标特征点的2D坐标；如果有些特征点在跟踪过程中消失了，那么在消失的这一帧中找寻新的特征点来顶替上，保证特征点数量不变，从而保证重建的深度信息充足；

其中，步骤S103中所述采用改进的KLT算法包括下列步骤：

S201、输入第一幅图像；

S202、选择特征点；

S203、保存特征点；

S204、输入第二幅图像；

S205、追踪特征点；

S206、删除丢失特征点；

S207、保存跟踪点；

S208、用第二幅图代替第一幅图；

S209、用下一幅图代替第一幅图；

S210、选择特征点代替丢失特征点；

S211、保存特征点，并回到步骤S205。

所述步骤S202选择特征点，具体为：

S601、在图像I(中计算出每个像素点中的矩阵G以及最小特征值λ_m；其中，定义I为第一帧图像，J为第二帧图像；

S602、在整个图像序列中得到λ_m中的最大值λ_max；