[发明专利]基于稀疏性特征多图像的3D目标模型重建方法

权利要求书

1.基于稀疏性特征多图像的3D目标模型重建方法，其特征在于，包括以下步骤，

S1：对拍摄的n幅图像{I₁，I₂，...，I_n}进行特征点检测和提取，获得稀疏性特征多图像的2D特征点；

S2：利用相机的自标定，构建投影矩阵；

S3：基于步骤S1中提取的2D特征点，通过投影矩阵P_n进行逆投影，生成稀疏3D特征空间点；

S4：对步骤S3中的稀疏3D特征空间点进行面片化近似，通过一致性领域扩展，生成稠密点集；

S5：将生成的稠密点集通过滤波操作完成精确3D目标模型的构建。

2.根据权利要求1所述的基于稀疏性特征多图像的3D目标模型重建方法，其特征在于：步骤S1中采用Harris角点检测和SIFT特征检测提取稀疏性特征多图像的2D特征点。

3.根据权利要求2所述的基于稀疏性特征多图像的3D目标模型重建方法，其特征在于：步骤S2的具体操作步骤包括，

S21：基于射影方程λ_ijx_ij＝P_iX_j，设定测量矩阵为W_3m×n，并使W＝λ_ijx_ij，则W的展开式为

式中，λ_ij为射影伸缩因子，x_ij为2D特征点的齐次坐标，P_i为第i幅图像的投影矩阵，X_j为x_ij对应3D目标点的齐次坐标；根据W的展开式可将W解释为相机运动矩阵P_3m×4与表示空间目标模型的X_4×n矩阵的积；

S22：对各图像之间的匹配特征点利用归一化的八点法进行奇异值分解，在秩2约束条件用最小平方估计求得基本矩阵F_1j和极点e_1j，从而求出所有2D特征点的射影伸缩因子其中，射影伸缩因子初始值为λ_1j＝1；式中F_ij、e_ij分为图像i与图像j对应的基本矩阵和极点，q_ip、q_jp分别为图像i与j对应的第p个特征点，λ_ip、λ_ip分别为特征点p在图像i、j上的伸缩因子；

S23：对W进行奇异值分解，即W＝UDV^T＝Udiag(σ₁，σ₂，...，σ_N)V^T，其中，σ₁≥σ₂≥...≥σ_N≥0，求得W的秩为4，则D＝diag(σ₁，σ₂，σ₃，σ₄)；

S24：取P＝U，X＝DV^T，将W分解成P和X；

S25：对X采用绝对二次曲面Ω^*约束实现线性变换HX运算，对相机运动矩阵P作逆变换PH^-1运算，得出W＝PX＝PH^-1HX＝P_EX_E，其中，H为4×4的非奇异单应矩阵，P_E为P经过PH^-1变换得到的欧式重建下的投影矩阵，X_E为X经过HX变换生成的欧式重建下的目标模型。