一种基于PMVS的建筑物密集点云快速重建方法技术

本发明专利技术公开了一种基于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，本发明专利技术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，本发明专利技术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。本发明专利技术可以有效提高PMVS算法的运行效率。本发明专利技术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。

【技术实现步骤摘要】
一种基于PMVS的建筑物密集点云快速重建方法
本专利技术涉及图像处理领域，特别是一种基于PMVS的建筑物密集点云快速重建方法。
技术介绍
由Furukawa等人提出的PMVS(patch-basedmulti-viewstereo)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。
技术实现思路
本专利技术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。本专利技术为解决上述技术问题采用以下技术方案：根据本专利技术提出的一种基于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：对于假设平面模型中第a个初始空间三角网格Ta，其经过插值扩散和面片优化之后得到点云Pa″,先使用meanshift聚类算法对Pa″进行聚类，计算聚类结果中包含三维点个数最多的聚类的聚类中心c，计算Pa″中的所有点在假设平面法向量方向上到聚类中心c的平均距离然后遍历Pa″中的每一个新扩散点vj，计算vj到其母三角形所在平面的距离dj，若则将vj判定为杂点并将其滤除；步骤d、对经过改进的面片优化和滤波之后的点云重新构建三角网格，对网格顶点法向信息和扩散惩罚值进行更新；步骤e、循环b、c、d三个步骤n1次后，将获得的准密集点云作为PMVS算法的种子点，重复进行PMVS算法的面片扩散、面片优化、面片滤波三步流程n2次，得到最终的密集点云。作为本专利技术所述的一种基于PMVS的建筑物密集点云快速重建方法进一步优化方案，所述步骤a包括如下步骤：a1、对于假设平面模型中第a个平面所包含的点云Pa，将点云Pa中的所有三维点坐标由三维全局坐标系转换到其所在假设平面的二维局部坐标系中，得到二维点集Pa′；定义o-xyz为全局坐标系，o-x′y′z′为目标局部坐标系，两个坐标系均以O为原点，o-xyz的三个坐标轴方向的单位向量分别为：Pa所在平面的单位法向量为则求出o-x′y′z′的三个坐标轴方向的单位向量和是垂直于的平面上任意两个互相垂直的单位向量；用vb表示Pa中第b个三维点，分别表示vb的全局坐标和局部坐标；按照公式(1)将Pa由转换至取的x′坐标和y′坐标作为Pa的二维平面坐标，从而得到二维点集Pa′；a2、以二维点集Pa′和Pa所在平面包含的线段集合Ea作为输入数据，使用二维限定Delaunay三角剖分算法构建Pa′的三角网格，得到初始三角网格其中，n3表示三角网格中的三角形个数，为Ta中第m1个三角形；由于点云在Pa和Pa′中的排列顺序并未改变，所以Ta表示的三角网格关系直接应用于Pa，即Ta表示Pa所在假设平面的初始空间三角网格；a3、对Ta进行信息初始化；三角网格信息包括：网格顶点坐标、法向量、可视信息和扩散惩罚值；由于Ta中的网格顶点等同于Pa中的三维点，所以用vb表示第b个网格顶点，用表示第b个网格顶点的坐标，用表示第b个网格顶点的单位法向量，用Vb表示第b个网格顶点的可视信息，Vb即为可视图片的索引的集合，用fb表示第b个网格顶点的扩散惩罚值；所有网格顶点的坐标使用其对应的Pa中三维点的全局坐标进行初始化；所有网格顶点的扩散惩罚值均初始化为0；所有网格顶点的可视信息由三维线段模型重建算法的重建结果中的三维线段可视信息来进行初始化，每个顶点的可视信息与其所在三维线段的可视信息保持一致；网格顶点的法向量初始化过程如下：遍历Ta中每一个三角形，计算其平面单位法向量；第m1个三角形的平面单位法向量为并保证与夹角呈锐角；其中为三角形的中心坐标，计算公式如公式(2)所示，和分别为三角形的三个顶点的坐标，normalize()表示向量的单位化；遍历Ta中每一个网格顶点，计算其单位法向量；第b个网格顶点的单位法向量即任意网格顶点的法向量是包含该顶点的所有三角形的平面单位法向量的平均；其中表示以vb为顶点的第m2个三角形的平面单位法向量，n4表示以vb为顶点的三角形的总个数；a4、遍历建筑物假设平面模型中的所有平面，重复步骤a1到a3。作为本专利技术所述的一种基于PMVS的建筑物密集点云快速重建方法进一步优化方案，所述步骤b包括如下步骤：b1、对于初始空间三角网格Ta中第m1个三角形计算其面积阈值其中表示三角网格的平均三角形面积，loop表示预先设定的扩散次数，fine表示的扩散惩罚值，其计算公式为其中，分别表示三个顶点的扩散惩罚值；用UT和UT′两个集合来表示待扩散的三角形集合和扩散中间过程产生的临时三角形集合；计算的面积若则将加入UT中；若则对Ta中下一个三角形进行步骤b1操作；b2、对集合UT中的第m2个三角形计算的中心点vc，其坐标计算如公式(2)所示；将中心点vc作为新的扩散顶点加入到点云Pa中，并按如下方法对vc的法向量和可视信息进行更新：vc的法向量等于的平面法向量；vc的可视信息Vc＝V0∪V1∪V2，其中V0、V1、V2分别表示三个顶点的可视信息；b3、插入点vc之后，点vc与三角形的三个顶点分别构成三个新三角形，将这三个新三角形加入到集合UT′中；b4、遍历集合U本文档来自技高网...

【技术保护点】
1.一种基于PMVS的建筑物密集点云快速重建方法，其特征在于，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：对于假设平面模型中第a个初始空间三角网格Ta，其经过插值扩散和面片优化之后得到点云Pa″,先使用mean shift聚类算法对Pa″进行聚类，计算聚类结果中包含三维点个数最多的聚类的聚类中心c，计算Pa″中的所有点在假设平面法向量方向上到聚类中心c的平均距离

【技术特征摘要】
1.一种基于PMVS的建筑物密集点云快速重建方法，其特征在于，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：对于假设平面模型中第a个初始空间三角网格Ta，其经过插值扩散和面片优化之后得到点云Pa″,先使用meanshift聚类算法对Pa″进行聚类，计算聚类结果中包含三维点个数最多的聚类的聚类中心c，计算Pa″中的所有点在假设平面法向量方向上到聚类中心c的平均距离然后遍历Pa″中的每一个新扩散点vj，计算vj到其母三角形所在平面的距离dj，若则将vj判定为杂点并将其滤除；步骤d、对经过改进的面片优化和滤波之后的点云重新构建三角网格，对网格顶点法向信息和扩散惩罚值进行更新；步骤e、循环b、c、d三个步骤n1次后，将获得的准密集点云作为PMVS算法的种子点，重复进行PMVS算法的面片扩散、面片优化、面片滤波三步流程n2次，得到最终的密集点云。2.根据权利要求1所述的一种基于PMVS的建筑物密集点云快速重建方法，其特征在于，所述步骤a包括如下步骤：a1、对于假设平面模型中第a个平面所包含的点云Pa，将点云Pa中的所有三维点坐标由三维全局坐标系转换到其所在假设平面的二维局部坐标系中，得到二维点集Pa′；定义o-xyz为全局坐标系，o-x′y′z′为目标局部坐标系，两个坐标系均以O为原点，o-xyz的三个坐标轴方向的单位向量分别为：Pa所在平面的单位法向量为则求出o-x′y′z′的三个坐标轴方向的单位向量和是垂直于的平面上任意两个互相垂直的单位向量；用vb表示Pa中第b个三维点，分别表示vb的全局坐标和局部坐标；按照公式(1)将Pa由转换至取的x′坐标和y′坐标作为Pa的二维平面坐标，从而得到二维点集Pa′；a2、以二维点集Pa′和Pa所在平面包含的线段集合Ea作为输入数据，使用二维限定Delaunay三角剖分算法构建Pa′的三角网格，得到初始三角网格其中，n3表示三角网格中的三角形个数，为Ta中第m1个三角形；由于点云在Pa和Pa′中的排列顺序并未改变，所以Ta表示的三角网格关系直接应用于Pa，即Ta表示Pa所在假设平面的初始空间三角网格；a3、对Ta进行信息初始化；三角网格信息包括：网格顶点坐标、法向量、可视信息和扩散惩罚值；由于Ta中的网格顶点等同于Pa中的三维点，所以用vb表示第b个网格顶点，用表示第b个网格顶点的坐标，用表示第b个网格顶点的单位法向量，用Vb表示第b个网格顶点的可视信息，Vb即为可视图片的索引的集合，用fb表示第b个网格顶点的扩散惩罚值；所有网格顶点的坐标使用其对应的Pa中三维点的全局坐标进行初始化；所有网格顶点的扩散惩罚值均初始化为0；所有网格顶点的可视信息由三维线段模型重建算法的重建结果中的三维线段可视信息来进行初始化，每个顶点的可视信息与其所在三维线段的可视信息保持一致；网格顶点的法向量初始化过程如下：遍历Ta中每一个三角形，计算其平面单位法向量；第m1个三角形的平面单位法向量为并保证与夹角呈锐角；其中为三角形的中心坐标，计算公式如公式(2)所示，和分别为三角形的三个顶点的坐标，normalize()表示...

【专利技术属性】
技术研发人员：张小国，王果，张恒，王慧青，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32