[发明专利]一种基于PMVS的建筑物密集点云快速重建方法

说明书

本发明公开了一种基于PMVS的建筑物密集点云快速重建方法，在建筑物三维重建这一应用场景下，本发明通过使用准密集点云代替PMVS算法自建的稀疏点云作为扩散种子点，本发明的方法主要流程包括：首先构建建筑物的初始空间三角网格模型，对三角网络循环进行空间插值扩散、面片的优化和滤波、三角网格信息更新等操作，获取精确的准密集点云，使用准密集点云代替PMVS算法自建的稀疏点云作为扩散种子点，从而实现PMVS算法重建过程的加速。本发明可以有效提高PMVS算法的运行效率。本发明对自然景观带来的点云噪声和其它非建筑物主体点云噪声具有一定的滤波作用。

技术领域

本发明涉及图像处理领域，特别是一种基于PMVS的建筑物密集点云快速重建方法。

背景技术

由Furukawa等人提出的PMVS(patch-based multi-view stereo)算法是目前表现优异的主流密集点云重建算法之一。算法基本流程是：采用Harris和DoG算子检测出输入图像集的特征点，利用特征匹配、三角化重建获取稀疏种子点云，利用这些种子点迭代进行面片扩散、优化、滤波等步骤，最终重建出具有法向信息的、紧致覆盖于待重建物体表面的稠密面片集合。该算法的优点在于：(1)不需要任何初始信息如凸壳、包围盒等；(2)算法具有很广的适用范围，从单个物体重建到大规模复杂场景重建，该算法均能适用；(3)算法具有很高的重建精度和不错的重建效率。

尽管PMVS算法性能优良，但是同样存在一些不足之处，算法的运行效率较低就是其中之一，在处理高分辨率图像数据和大规模场景重建时，PMVS算法的运行效率会明显降低，致使PMVS算法无法满足智慧城市中大规模城市场景的快速重建的要求。

PMVS算法运行效率较低的原因之一在于：PMVS算法使用弱约束条件来对图像进行特征匹配重建待重建物体的稀疏点云，特征匹配的弱约束条件致使该过程不具备全局最优性，使得重建出的稀疏点云充满噪声。用这些富含噪声的稀疏点云作为种子点进行后续的面片扩散优化操作，会造成更多的无意义的扩散，而面片扩散和优化过程是PMVS算法中主要的耗时过程，这在一定程度上增加了PMVS算法运行时间。

针对PMVS算法的效率问题，已有许多学者提出了不同的改进方案，但是目前尚无利用建筑物几何特性的、从提高种子点密度和精度的角度对PMVS算法效率进行改进的先例。现有PMVS算法运行效率不高，无法满足智慧城市中大规模城市场景的快速重建的要求。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于PMVS的建筑物密集点云快速重建方法，可以快速获取精度较高的建筑物的密集点云。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于PMVS的建筑物密集点云快速重建方法，包括如下步骤：

步骤a、以假设平面拟合算法得到的点云平面聚类作为输入数据，使用Delaunay三角剖分算法构建待重建建筑物的初始空间三角网格模型，并对三角网格进行信息初始化；

步骤b、使用三角网格空间插值扩散算法来对初始空间三角网格模型进行扩散加密；

步骤c、使用改进的面片优化和滤波算法对扩散后的三角网格顶点构成的点云进行面片优化和滤波；

改进的面片优化算法，具体为：

将PMVS的非线性优化中的三个变量降为一个变量；非线性优化变量只有面片位置c(p)一个，面片的法向量在优化过程中保持初始值不变；将面片位置限制在面片的法向量上，优化过程中面片只能沿着面片法向量的方向进行移动；

改进的面片滤波算法，具体为：