[發(fā)明專利]基于圖像三維重建技術的無人機導航地圖構建系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 202010410011.2
• 申請日: 2020-05-14
• 公開（公告）號: CN111599001B
• 公開（公告）日: 2023-03-14
• 發(fā)明（設計）人: 宋永端;曹梟
• 申請（專利權）人: 星際（重慶）智能裝備技術研究院有限公司
• 主分類號: G06T17/00
• 分類號: G06T17/00;G01C21/00
• 代理公司: 重慶晟軒知識產權代理事務所(普通合伙) 50238
• 代理人: 王海鳳

本發(fā)明涉及一種基于圖像三維重建技術的無人機導航地圖構建系統(tǒng)，包括無人機、數據采集組件和三維導航地圖構建系統(tǒng)；三維導航地圖構建系統(tǒng)包括圖像集輸入系統(tǒng)、特征點提取系統(tǒng)、稀疏三維點云重建系統(tǒng)、稠密三維點云重建系統(tǒng)、點云模型優(yōu)化系統(tǒng)和三維導航地圖重建系統(tǒng)；實現將場景圖像集輸入到三維導航地圖構建系統(tǒng)中，對所有圖像進行特征點檢測，重建出場景的稀疏點云模型和場景的稠密點云模型，然后對模型去掉雜點和表面重建進行優(yōu)化，重建出場景的三維導航地圖。本發(fā)明還公開了一種基于圖像三維重建技術的無人機導航地圖構建方法。該方法利用前述系統(tǒng)進行三維導航地圖構建，重建出的三維導航地圖接近真實場景，精度較高。

技術領域

本發(fā)明涉及三維重建的技術領域，特別涉及一種基于圖像三維重建技術的無人機導航地圖構建系統(tǒng)及方法。

背景技術

視覺是人類感知周圍環(huán)境的最重要方式。使計算機像人類一樣具有感知三維環(huán)境的能力是計算機視覺領域中非常流行的研究方向。隨著信息技術的飛速發(fā)展，虛擬現實，電影特效，智能駕駛，機器人導航，地理地圖，歷史文化，醫(yī)學等許多領域都需要三維模型。例如，自動駕駛中的高精度地圖是自動駕駛的先決條件，在早期階段，大規(guī)模收集城市道路相關數據用于通過三維重建高精度地圖；移動機器人使用三維占據地圖進行導航，例如避障和路線規(guī)劃；在地理，測量領域，對特定地理區(qū)域利用三維重建技術構建三維地形；在歷史文化領域，使用三維重建技術對歷史文物和古建筑進行建模。未來，隨著人工智能，機器人技術等領域的飛速發(fā)展，社會各個領域對三維重建的需求將會迅速增加。

人們通過人眼特殊的生物結構來感知和獲取三維事物，而計算機獲取三維事物是一個難題。獲取三維模型的傳統(tǒng)方法是基于幾何造型和激光掃描，但它們都具有非常明顯的缺點。幾何造型需要直接接觸測量對象的幾何形狀以構建對象的三維模型，并且需要專用的軟件工具和專業(yè)的人員，這既繁重又費時。激光掃描是當今的三維掃描儀，盡管掃描重建后的精度很高，但是該設備的價格相對昂貴并且難以攜帶。

近年來，基于圖像信息構建三維模型的方法已成為熱門研究。基于圖像序列的三維重建方法首先提取并匹配圖像的特征點，然后使用運動恢復結構(motion fromstructure，SFM)法進行特征點的深度恢復以獲取稀疏的三維點云，然后使用多視圖立體視覺(multi-view stereo，MVS)技術獲得場景的密集點云，最后進行點云雜點清理和表面重建等步驟以得到一個完整的三維模型。與幾何造型和激光掃描相比，圖像采集更加方便，采集設備更便宜，只需要普通的相機或手機拍照，就大大降低了三維重建的難度和成本，并且基于圖像的三維重建效果非常好，重建的準確性甚至可以靠近激光掃描。一般的三維重建流程包含了特征點提取，稀疏點云重建，稠密點云重建等等多個不同的步驟。其中稀疏點云重建步驟現有算法中往往是對所有圖像都進行兩兩匹配，在很多情況下，有些圖像間沒有共同部分因此不需要進行匹配，故而在此步驟中耗費了大量地時間。

特征點提取，常用算法有SIFT算法，SIFT算法主要包括兩個步驟，一是從圖像中提取特征點，二是對特征點特征向量。其特征對亮度具有良好的不變性，并且對視角變化，仿射變換，噪聲等也具有良好的穩(wěn)定性。還有SURF算法，是在SIFT算法的基礎上進行了改進，加快了特征點檢測的速度。以及ORB算法，其采取了非常快的特征點檢測方法和占用內存非常少的特征向量，因此算法速度相比SURF更快。稀疏三維點云重建領域中SFM是當前的主流方法。SFM的早期方法主要是增量式方法，其中，最著名的是Bundler系統(tǒng)，其次VisualSFM三維重建軟件也是基于增量式系統(tǒng)，輸入圖像集就可以獲得對象或場景的三維模型。非增量方法也稱為全局SFM，主要包括openMVG三維重建系統(tǒng)。增量式方法的時間效率非常高，但存在誤差積累的缺點。非增量式方法考慮了所有圖像之間的關系，因此能消除誤差的積累。在稠密三維重建領域，MVS方法最為流行。MVS通常基于SFM，使用SFM輸出的稀疏點云和相機位置來重建稠密點云。MVS算法主要分為以下幾類：第一類基于體素，從體素表面重建模型。第二類通過迭代曲面來最小化成本函數來獲得模型。第三類基于一致性約束條件從一系列深度圖中提取模型。第四種是基于圖像特征點的方法，也是當前最主流的方法。在這一領域也有openMVS等開源庫。