赞
踩
http://blog.csdn.net/AIchipmunk/article/details/51232861
版权声明:本文为博主原创文章,未经博主允许不得转载。
注意:本文中的代码必须使用OpenCV3.0或以上版本进行编译,因为很多函数是3.0以后才加入的。
目录:
终于有时间来填坑了,这次一口气将双目重建扩展为多目重建吧。首先,为了简化问题,我们要做一个重要假设:用于多目重建的图像是有序的,即相邻图像的拍摄位置也是相邻的。多目重建本身比较复杂,我会尽量说得清晰,如有表述不清的地方,还请见谅并欢迎提问。
由前面的文章我们知道,两个相机之间的变换矩阵可以通过findEssentialMat以及recoverPose函数来实现,设第一个相机的坐标系为世界坐标系,现在加入第三幅图像(相机),如何确定第三个相机(后面称为相机三)到到世界坐标系的变换矩阵呢?
最简单的想法,就是沿用双目重建的方法,即在第三幅图像和第一幅图像之间提取特征点,然后调用findEssentialMat和recoverPose。那么加入第四幅、第五幅,乃至更多呢?随着图像数量的增加,新加入的图像与第一幅图像的差异可能越来越大,特征点的提取变得异常困难,这时就不能再沿用双目重建的方法了。
那么能不能用新加入的图像和相邻图像进行特征匹配呢?比如第三幅与第二幅匹配,第四幅与第三幅匹配,以此类推。当然可以,但是这时就不能继续使用findEssentialMat和recoverPose来求取相机的变换矩阵了,因为这两个函数求取的是相对变换,比如相机三到相机二的变换,而我们需要的是相机三到相机一的变换。有人说,既然知道相机二到相机一的变换,又知道相机到三到相机二的变换,不就能求出相机三到相机一的变换吗?实际上,通过这种方式,你只能求出相机三到相机一的旋转变换(旋转矩阵R),而他们之间的位移向量T,是无法求出的。这是因为上面两个函数求出的位移向量,都是单位向量,丢失了相机之间位移的比例关系。
说了这么多,我们要怎么解决这些问题?现在请出本文的主角——solvePnP和solvePnPRansac。根据opencv的官方解释,该函数根据空间中的点与图像中的点的对应关系,求解相机在空间中的位置。也就是说,我知道一些空间当中点的坐标,还知道这些点在图像中的像素坐标,那么solvePnP就可以告诉我相机在空间当中的坐标。solvePnP和solvePnPRansac所实现的功能相同,只不过后者使用了随机一致性采样,使其对噪声更鲁棒,本文使用后者。
好了,有这么好的函数,怎么用于我们的三维重建呢?首先,使用双目重建的方法,对头两幅图像进行重建,这样就得到了一些空间中的点,加入第三幅图像后,使其与第二幅图像进行特征匹配,这些匹配点中,肯定有一部分也是图像二与图像一之间的匹配点,也就是说,这些匹配点中有一部分的空间坐标是已知的,同时又知道这些点在第三幅图像中的像素坐标,嗯,solvePnP所需的信息都有了,自然第三个相机的空间位置就求出来了。由于空间点的坐标都是世界坐标系下的(即第一个相机的坐标系),所以由solvePnP求出的相机位置也是世界坐标系下的,即相机三到相机一的变换矩阵。
通过上面的方法得到相机三的变换矩阵后,就可以使用上一篇文章提到的triangulatePoints方法将图像三和图像二之间的匹配点三角化,得到其空间坐标。为了使之后的图像仍能使用以上方法求解变换矩阵,我们还需要将新得到的空间点和之前的三维点云融合。已经存在的空间点,就没必要再添加了,只添加在图像二和三之间匹配,但在图像一和图像三中没有匹配的点。如此反复。
为了方便点云的融合以及今后的扩展,我们需要存储图像中每个特征点在空间中的对应点。在代码中我使用了一个二维列表,名字为correspond_struct_idx,correspond_struct_idx[i][j]代表第i幅图像第j个特征点所对应的空间点在点云中的索引,若索引小于零,说明该特征点在空间当中没有对应点。通过此结构,由特征匹配中的queryIdx和trainIdx就可以查询某个特征点在空间中的位置。
前一篇文章的很多代码不用修改,还可以继续使用,但是程序的流程有了较大变化。首先是初始化点云,也就是通过双目重建方法对图像序列的头两幅图像进行重建,并初始化correspond_struct_idx。
- void init_structure(
- Mat K,
- vector<vector<KeyPoint>>& key_points_for_all,
- vector<vector<Vec3b>>& colors_for_all,
- vector<vector<DMatch>>& matches_for_all,
- vector<Point3f>& structure,
- vector<vector<int>>& correspond_struct_idx,
- vector<Vec3b>& colors,
- vector<Mat>& rotations,
- vector<Mat>& motions
- )
- {
- //计算头两幅图像之间的变换矩阵
- vector<Point2f> p1, p2;
- vector<Vec3b> c2;
- Mat R, T; //旋转矩阵和平移向量
- Mat mask; //mask中大于零的点代表匹配点,等于零代表失配点
- get_matched_points(key_points_for_all[0], key_points_for_all[1], matches_for_all[0], p1, p2);
- get_matched_colors(colors_for_all[0], colors_for_all[1], matches_for_all[0], colors, c2);
- find_transform(K, p1, p2, R, T, mask);
-
- //对头两幅图像进行三维重建
- maskout_points(p1, mask);
- maskout_points(p2, mask);
- maskout_colors(colors, mask);
-
- Mat R0 = Mat::eye(3, 3, CV_64FC1);
- Mat T0 = Mat::zeros(3, 1, CV_64FC1);
- reconstruct(K, R0, T0, R, T, p1, p2, structure);
- //保存变换矩阵
- rotations = { R0, R };
- motions = { T0, T };
-
- //将correspond_struct_idx的大小初始化为与key_points_for_all完全一致
- correspond_struct_idx.clear();
- correspond_struct_idx.resize(key_points_for_all.size());
- for (int i = 0; i < key_points_for_all.size(); ++i)
- {
- correspond_struct_idx[i].resize(key_points_for_all[i].size(), -1);
- }
-
- //填写头两幅图像的结构索引
- int idx = 0;
- vector<DMatch>& matches = matches_for_all[0];
- for (int i = 0; i < matches.size(); ++i)
- {
- if (mask.at<uchar>(i) == 0)
- continue;
-
- correspond_struct_idx[0][matches[i].queryIdx] = idx;
- correspond_struct_idx[1][matches[i].trainIdx] = idx;
- ++idx;
- }
- }
初始点云得到后,就可以使用增量方式重建剩余图像,注意,在代码中为了方便实现,所有图像之间的特征匹配已经事先完成了,并保存在matches_for_all这个列表中。增量重建的关键是调用solvePnPRansac,而这个函数需要空间点坐标和对应的像素坐标作为参数,有了correspond_struct_idx,实现这个对应关系的查找还是很方便的,如下。
- void get_objpoints_and_imgpoints(
- vector<DMatch>& matches,
- vector<int>& struct_indices,
- vector<Point3f>& structure,
- vector<KeyPoint>& key_points,
- vector<Point3f>& object_points,
- vector<Point2f>& image_points)
- {
- object_points.clear();
- image_points.clear();
-
- for (int i = 0; i < matches.size(); ++i)
- {
- int query_idx = matches[i].queryIdx;
- int train_idx = matches[i].trainIdx;
-
- int struct_idx = struct_indices[query_idx];
- if (struct_idx < 0) continue;
-
- object_points.push_back(structure[struct_idx]);
- image_points.push_back(key_points[train_idx].pt);
- }
- }
之后调用solvePnPRansac得到相机的旋转向量和位移,由于我们使用的都是旋转矩阵,所以这里要调用opencv的Rodrigues函数将旋转向量变换为旋转矩阵。之后,使用上一篇文章中用到的reconstruct函数对匹配点进行重建(三角化),不过为了适用于多目重建,做了一些简单修改。
- void reconstruct(Mat& K, Mat& R1, Mat& T1, Mat& R2, Mat& T2, vector<Point2f>& p1, vector<Point2f>& p2, vector<Point3f>& structure)
- {
- //两个相机的投影矩阵[R T],triangulatePoints只支持float型
- Mat proj1(3, 4, CV_32FC1);
- Mat proj2(3, 4, CV_32FC1);
-
- R1.convertTo(proj1(Range(0, 3), Range(0, 3)), CV_32FC1);
- T1.convertTo(proj1.col(3), CV_32FC1);
-
- R2.convertTo(proj2(Range(0, 3), Range(0, 3)), CV_32FC1);
- T2.convertTo(proj2.col(3), CV_32FC1);
-
- Mat fK;
- K.convertTo(fK, CV_32FC1);
- proj1 = fK*proj1;
- proj2 = fK*proj2;
-
- //三角重建
- Mat s;
- triangulatePoints(proj1, proj2, p1, p2, s);
-
- structure.clear();
- structure.reserve(s.cols);
- for (int i = 0; i < s.cols; ++i)
- {
- Mat_<float> col = s.col(i);
- col /= col(3); //齐次坐标,需要除以最后一个元素才是真正的坐标值
- structure.push_back(Point3f(col(0), col(1), col(2)));
- }
- }
最后,将重建结构与之前的点云进行融合。
- void fusion_structure(
- vector<DMatch>& matches,
- vector<int>& struct_indices,
- vector<int>& next_struct_indices,
- vector<Point3f>& structure,
- vector<Point3f>& next_structure,
- vector<Vec3b>& colors,
- vector<Vec3b>& next_colors
- )
- {
- for (int i = 0; i < matches.size(); ++i)
- {
- int query_idx = matches[i].queryIdx;
- int train_idx = matches[i].trainIdx;
-
- int struct_idx = struct_indices[query_idx];
- if (struct_idx >= 0) //若该点在空间中已经存在,则这对匹配点对应的空间点应该是同一个,索引要相同
- {
- next_struct_indices[train_idx] = struct_idx;
- continue;
- }
-
- //若该点在空间中已经存在,将该点加入到结构中,且这对匹配点的空间点索引都为新加入的点的索引
- structure.push_back(next_structure[i]);
- colors.push_back(next_colors[i]);
- struct_indices[query_idx] = next_struct_indices[train_idx] = structure.size() - 1;
- }
- }
整个增量方式重建图像的代码大致如下。
- //初始化结构(三维点云)
- init_structure(
- K,
- key_points_for_all,
- colors_for_all,
- matches_for_all,
- structure,
- correspond_struct_idx,
- colors,
- rotations,
- motions
- );
-
- //增量方式重建剩余的图像
- for (int i = 1; i < matches_for_all.size(); ++i)
- {
- vector<Point3f> object_points;
- vector<Point2f> image_points;
- Mat r, R, T;
- //Mat mask;
-
- //获取第i幅图像中匹配点对应的三维点,以及在第i+1幅图像中对应的像素点
- get_objpoints_and_imgpoints(
- matches_for_all[i],
- correspond_struct_idx[i],
- structure,
- key_points_for_all[i+1],
- object_points,
- image_points
- );
-
- //求解变换矩阵
- solvePnPRansac(object_points, image_points, K, noArray(), r, T);
- //将旋转向量转换为旋转矩阵
- Rodrigues(r, R);
- //保存变换矩阵
- rotations.push_back(R);
- motions.push_back(T);
-
- vector<Point2f> p1, p2;
- vector<Vec3b> c1, c2;
- get_matched_points(key_points_for_all[i], key_points_for_all[i + 1], matches_for_all[i], p1, p2);
- get_matched_colors(colors_for_all[i], colors_for_all[i + 1], matches_for_all[i], c1, c2);
-
- //根据之前求得的R,T进行三维重建
- vector<Point3f> next_structure;
- reconstruct(K, rotations[i], motions[i], R, T, p1, p2, next_structure);
-
- //将新的重建结果与之前的融合
- fusion_structure(
- matches_for_all[i],
- correspond_struct_idx[i],
- correspond_struct_idx[i + 1],
- structure,
- next_structure,
- colors,
- c1
- );
- }
我用了八幅图像进行测试,正如问题简化中所要求的那样,图像是有序的。
程序的大部分时间花在特征提取和匹配上,真正的重建过程耗时很少。最终结果如下。
图中每个彩色坐标系都代表一个相机。
有兴趣的读者可以思考一下上面两个问题,第二个问题比较难,我会在下一篇文章中详细介绍。
程序使用VS2015开发,OpenCV版本为3.1且包含扩展部分,如果不使用SIFT特征,可以修改源代码,然后使用官方未包含扩展部分的库。软件运行后会将三维重建的结果写入Viewer目录下的structure.yml文件中,在Viewer目录下有一个SfMViewer程序,直接运行即可读取yml文件并显示三维结构。
赞
踩
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。