基于模型的单视图线性自标定及三维重建算法.docVIP

基于模型的单视图线性自标定及三维重建算法 　　摘要：通过建立深度矢量所在的零空间和目标模型矩阵的零空间之间的关系，开发了一个从目标单视图线性地精确复原其三维位姿的新算法，该算法只需要6个特征点即可实现目标三维位姿的线性重建。理论分析和实验数据表明，该算法具有快速高效、简单实用、抗噪能力较强的优点。 　　关键词：计算机视觉；三维重建；奇异值分解；零空间 　　 　　Algorithm to linearly Reconstruct the 3D Pose from Single-View 　　ZHANG Wei,YANG Zhong-gen 　　(Shanghai Maritime University, Shanghai 200135,China) 　　Abstract: After the correspondence relationship between the null space fell by the depth vector of the target imaged in the single-view and the null space of the model shape matrix of the target is built, a new algorithm to linearly and exactly reconstruct the 3D pose of the imaged target from single-view. The algorithm needs at least six points to get the solution. The theoretical analysis and a great deal of the experiments have demonstrated that the suggested algorithm is fast, efficient, effect and rather robust to noise. 　　Key Words: Computer vision;3D reconstruction;Singular value decomposition;Null space 　　 　　1 引言 　　 　　单视图线性三维重建并不是一个新课题[1-5] ，但是用单视图特征点集结合对应模型点位置，在最少已知6个非共面特征点条件下线性地精确复原目标的三维位姿，却是一个值得研究的新课题。在一些特殊应用中，目标模型是先验已知的。众所周知，在摄像机已标定情况下，单视图就可进行运动复原和三维重建；在摄像机未标定的情况下，也可通过基于模型的单视图数字特征点集数据进行摄像机线性自标定和三维复原。本文使用未标定的单视图，在基于最少已知6个非共面特征点条件下，线性地精确复原目标的三维位姿。 　　 　　2 基于模型的未标定单视图的三维重建算法 　　 　　假设，摄像机历经三维运动(H,T) ，其中，H为三维旋转阵，T为三维平移矢量，则三维点从模型位置Ri(0)到实拍位置Ri经历经如下几何变换 　　 　　其中，(zhangwei02.tif) ，(zhangwei03.tif) ，(zhangwei04.tif) ，(zhangwei05.tif) 和 　　注意，本文用上圈表示中心化，用上横杠表示求平均。 　　于是，中心化实拍点集为 　　 　　对中心化模型数据阵进行奇异值分解（SVD）后，有 　　 　　使得?。这表明，?是中心化模型数据阵的零空间的正交基，利用该式和式（2）知，?也是单视图三维形状的中心化矩阵的零空间的正交基，即 　　 　　其中，IN是个N×1的全1矢量，并且定义了(zhangwei10.tif)。这建立了单视图形状矩阵的零空间正交基和中心化模型阵的零空间正交基之间的关系。利用它，可直接开发出精确重建单视图形状矩阵的线性算法。 　　具体地，列写N×(N-3)维矩阵?，有 　　 　　代入式（3）并整理后，有 　　 　　其中，?。由式（6）可得 　　 　　构造?。可把式（7）改写成 　　 　　用3(N-3)*N维矩阵A(d)的最小右奇异矢量emin在仅相差一个常数因子k意义上最优估计N*1维矢量Z(d)，即Z(d)=kZ^(d) ，其中，Z^(d)=emin 。 　　考虑到? ，对R(d) 数点集取中心化可得 　　 　　对中心化模型数据阵进行奇异值分解（SVD）后，由式（3）与（9）可知 　　(zhangwei16.tif)（10） 　　如果对（10）左边进行RQ分解，即令(zhangwei17.tif)（这里为了与三维旋转矩阵R区别，以Rdecompose表示RQ分解结果）