移動機器人的三維環(huán)境模型重建是一個重要的研究領域!兑苿訖C器人及室內環(huán)境三維模型重建技術》以ActivMedia的Pioneer3-AT為實驗平臺,結合全景視覺與激光掃描儀等傳感器,對室內環(huán)境三維模型重建進行了研究和分析。
全書共分5章,內容主要包括中心折反射全景攝像頭的標定與全景圖像中外極曲線的計算,基于圖割算法的全景圖像立體匹配,二維全局地圖的建立,基于激光掃描的室內環(huán)境三維幾何模型建立以及幾何模型與顏色信息相結合的混合三維重建方法等。
《移動機器人及室內環(huán)境三維模型重建技術》可作為控制科學、人工智能、計算機科學等專業(yè)高年級本科生、研究生和教師的教材或參考書,也可作為信息學科相關領域,特別是移動機器人研究領域的工程技術人員和科研工作者的參考書。
基于激光掃描建立的精確三維幾何模型與中心折反射全方位攝像頭采集的全景圖像相結合,使場景中的空間物理點同時具有幾何信息和顏色信息,由此可實現(xiàn)具有真實感的室內環(huán)境三維模型重建。《移動機器人及室內環(huán)境三維模型重建技術》內容主要包括二維全局地圖的建立,中心折反射全景攝像頭的標定與全景圖像中外極曲線的計算,基于圖割算法的全景圖像立體匹配,基于激光掃描的室內環(huán)境三維幾何模型建立以及幾何模型與顏色信息相結合的混合三維建模方法等。
環(huán)境三維模型重建是移動機器人研究領域的熱點研究問題。三維模型可提供比傳統(tǒng)二維地圖更多的信息,對移動機器人的導航定位、目標識別有著重要作用。本書主要介紹室內環(huán)境下依靠激光掃描儀與全景視覺實現(xiàn)移動機器人的三維環(huán)境模型重建的相關技術以及研究成果。
,基于激光掃描建立的精確三維幾何模型與中心折反射全方位攝像頭采集的全景圖像相結合,使場景中的空間物理點同時具有幾何信息和顏色信息,由此可實現(xiàn)具有真實感的室內環(huán)境三維模型重建。本書內容主要包括二維全局地圖的建立,中心折反射全景攝像頭的標定與全景圖像中外極曲線的計算,基于圖割算法的全景圖像立體匹配,基于激光掃描的室內環(huán)境三維幾何模型建立以及幾何模型與顏色信息相結合的混合三維建模方法等。
本書是作者近年來在室內環(huán)境三維模型重建方面所進行的一系列研究的基礎上撰寫而成的,同時也吸納了國內外許多具有代表性的最新研究成果。本書可作為高等院校研究生圖像分析與處理的教材或教學參考書,也可作為信息學科相關領域,特別是移動機器人研究領域的工程技術人員和科研工作者的參考書。
第1章 緒論
1.1 移動機器人研究的發(fā)展現(xiàn)狀
1.2 三維模型重建的主要研究內容
1.2.1 多視點深度圖像配準
1.2.2 深度圖像曲面重建
1.2.3 圖像立體匹配方法
1.3 三維環(huán)境模型重建在移動機器人研究領域的應用與發(fā)展
1.4 基于移動機器人的三維室內環(huán)境模型重建方法
1.4.1 基于激光掃描的幾何模型重建
1.4.2 基于圖像立體匹配的模型重建
1.4.3 基于環(huán)境幾何信息與顏色信息相結合的模型重建
第2章 中心折反射全方位攝像頭標定與外極曲線計算
2.1 引言
2.2 中心折反射全方位攝像頭成像模型
2.2.1 透視投影成像模型
2.2.2 中心折反射全方位攝像頭成像模型
2.2.3 雙曲面鏡面、球面鏡面和透視攝像頭組成的全景視覺
2.3 中心折反射全方位攝像頭標定方法
2.3.1 中心折反射全方位攝像頭圖像投影函數
2.3.2 中心折反射全方位攝像頭標定
2.3.3 實驗及其結果
2.4 全景圖像外極曲線計算
2.4.1 外極線幾何
2.4.2 外極曲線計算
2.4.3 實驗及其結果
2.5 小結
第3章 全景圖像立體匹配
3.1 引言
3.2 圖割算法及其在圖像立體匹配中的應用
3.2.1 圖像立體匹配的能量函數
3.2.2 能量函數對應的圖的構造
3.2.3 圖的最小割(最大流)算法
3.3 基于圖割算法的全景圖像立體匹配
3.3.1 預處理
3.3.2 立體匹配
3.3.3 實驗及其結果
3.4 小結
第4章 室內環(huán)境二維全局地圖建立
4.1 引言
4.1.1 地圖格式
4.1.2 SLAM問題
4.2 激光掃描匹配方法
4.3 基于正態(tài)分布轉換的二維全局地圖建立
4.3.1 正態(tài)分布轉換
4.3.2 兩次激光掃描匹配對準
4.3.3 牛頓迭代最優(yōu)化算法
4.3.4 地圖擴展與優(yōu)化
4.3.5 實驗及其結果
4.4 小結
第5章 激光掃描與全景圖像相結合的室內環(huán)境三維模型建立
5.1 引言
5.2 基于激光掃描的室內環(huán)境三維模型建立
5.3 激光掃描與圖像相結合的三維建;旌戏椒
5.4 激光掃描儀與全景視覺的聯(lián)合標定
5.4.1 全景圖像bird-view變換
5.4.2 聯(lián)合標定
5.5 三維環(huán)境模型重建的兩種流程
5.5.1 全景圖像立體匹配流程
5.5.2 激光掃描流程
5.6 三維模型重建實驗
5.6.1 Player/Stage
5.6.2 實驗及其結果
5.7 小結
參考文獻
基于結構特征的匹配方法需要檢測能夠表示景物自身結構特性的特征,如直線邊緣、矩、邊緣交點等。這類方法的優(yōu)點是由于使用從圖像得到的符號特征作為匹配基元,所以在環(huán)境照明發(fā)生變化的情況下性能較為穩(wěn)定,缺點是特征提取需要很大計算量,另外由于特征是離散的,匹配后不能直接得到密集的視差場。常用的匹配特征主要有點特征、線特征和區(qū)域特征。一般來說,大尺度特征含有較豐富的圖像信息,本身數目較少,易于得到快速的匹配,但提取與描述相對復雜,定位精度差;另一方面,小尺度特征本身定位精度高,表達描述簡單,但其數目較多,所含信息量較少,因而在匹配時需要采用較強的約束準則和匹配策略。
立體視覺的首要目的是恢復景物可視表面的完整信息,而基于特征的立體匹配算法只能恢復出圖像中特征點處的視差值。因此要進行視差表面內插重建,即對離散數據進行插值以得到不在特征點處的視差值。如最近鄰插值、雙線性插值、樣條插值等。另外還有基于模型的內插重建算法。在內插過程中,最重要的問題就是如何有效地保護景物面的不連續(xù)信息。另外,內插重建必須滿足表面相容性原理。
通過圖像立體匹配獲得的視差圖像是一種基本的本征圖,圖中每個像素的值代表了場景中對應該位置物體點的高程(采集器與物體的距離)。由于圖像視差直接反映了景物可見表面的幾何形狀與距離信息,因此也稱為深度圖。在室內環(huán)境三維模型重建中就是依靠這些深度信息來恢復場景的三維信息的,深度信息的精度直接關系到所建立的三維模型的精度。影響深度距離測量精度的因素主要有數字量化效應、攝像頭標定誤差、特征檢測與匹配定位精度等。