干货 | CCCV 2017讲习班笔记-基于图像的大规模场景三维重建(下)

AI科技评论按,本文作者究竟灰,本文首发于知乎,AI科技评论获其授权转载。

AI科技评论注:本文为下篇,内容为第三章:稠密重建第四章:稠密重建。第一章和第二章参见CCCV2017讲习班笔记-基于图像的大规模场景三维重建(上)

3.稠密匹配

稠密匹配是MVS.基本思路是:

两视图的一致性。

一致性度量主要包括三个:

  1. SSD(Sum of Squared Differences):平常差的和

  2. SAD(Sum of Absolute Differences):绝对值差的和

  3. NCC(Normalized Cross Correlation):归一化的交叉关系

多视图图像一致性需要考虑相机的可视性问题。

但是:相机可视性需要场景结构、场景结构需要相机可视性

MVS算法主要分为三种:

  1. 基于体素的方法:Voxel based MVS

  2. 基于点云扩散的方法:Feature point growing based MVS

  3. 基于深度图融合的方法:Depth-map merging based MVS

基于体素的方法

体素的表达,并且说明其MVS等价于一个3D空间Voxel的标记问题。

优化方法:用马尔科夫随机场优化。

离散空间的Labeling是典型的MRF优化问题。其中的两项分别是一致性项和气球膨胀。

一致性项表达两点一致。气球膨胀表达的是强制倾向于把点分成内点。因为如果不加气球膨胀,一致性项会把点都分成外点,所以要加一个反向的力量。

两视图一致性计算:

其中如何鲁棒投票寻找局部极值集中的点很重要。

MRF优化问题求解:Graph-cuts

重建结果:

体素问题是占内存,即使很小的体素也要很大内存。于是提出以下方法,主要思路是自适应多分辨率网格,在物体表面高分辨率、其他区域低分辨率。

基于体素方法MVS的并行分布Graph-cuts

基于体素方法的优缺点:

基于特征点扩散的MVS

方法顾名思义。

讲了3D点的Patch形式表达。patch在图像上有投影。

步骤:

  1. 生成初始点云:检测Harris与DoG,其中Harris偏向检测外侧的角点,而DoG偏向于检测内部纹理丰富的点

  2. 点云扩散:3D点投影到图像,并向投影点周围区域扩散

  3. 点云过滤:去除深度值不一致且一致性较低的点,意思是如果扩散的点云在其他图特征点的点云前面了,通过比较各自的一致性来剔除;如果扩散点云跑到后边去了,也比较一致性。这样就能去除深度值不一致且一致性较低的点了。

结果:

优缺点:

基于深度图融合的MVS

人的左右眼的立体视觉和深度图。

转到CV

基于深度图融合的MVS方法步骤:

  1. 为每一幅图选择领域图像构成立体图像组:关键如何选择邻域图像组

  2. 计算每一幅图像的深度图:关键如何计算深度图

  3. 深度图融合

  4. 抽取物体表面

每一幅图中的深度图计算:

聚合:对比了SAD聚合和Adaptive weight

对比:

这里讲了Oriented plane方法,估计空间平面方向

空间平面方向估计PathMatch,相机坐标系下空间面片表达为d深度的一个自由度,n法向量的两个自由度。

接着讲了两视图PathMatch Stereo,先随机申城像素深度和法向量,然后传播。

主要用了随机的思想,检测领域点的深度和法向量,检测加了扰动之后的点,检测立体图像对对应点是否更好,检测前后帧同一位置是否更好。反复几次。

这种方法是基于大数定律的。

多视图PathMatch MVS:

多视图PathMatch中领域图像组的选择:视线夹角、物距、覆盖度、分散度等。主要通过稀疏点云计算。领域图像组选择是一个NP-hard问题。

逐像素点领域选择:

通过EM算法来做逐像素点选择领域图像组(最大化后验概率)

基于深度图融合的MVS优缺点:

稠密重建总结

4.资源

主要是算法、数据集和应用

AI科技评论编辑整理


—————  AI 科技评论招人啦!  —————

我们诚招学术编辑 1 名(全职,坐标北京)

你即将从事的工作内容:

  • 报道海内外人工智能相关学术会议,形成具有影响力的报道内容;

  • 采访高校学术青年领袖,输出人工智能领域的深度观点;

  • 跟进国内外学术热点,深入剖析学术动态;

我们希望你是这样的小伙伴:

  • 英语好,有阅读英文科技网站的习惯;

  • 兴趣广,对人工智能有关注及了解;

  • 态度佳,有求知欲,善于学习;

欢迎发送简历到 guoyixin@leiphone.com

—————  给爱学习的你的福利  —————

不要等到算法出现accuracy不好、loss很高、模型overfitting时,

才后悔没有掌握基础数学理论!

线性代数及矩阵论, 概率论与统计, 凸优化

AI慕课学院机器学习之数学基础课程即将上线!

扫码进入课程咨询群,组队享团购优惠!

详细了解点击文末阅读原文

————————————————————

相关文章

相关标签/搜索