三維重構(gòu)中關(guān)鍵元素獲取及使用的并行化研究與實現(xiàn).pdf

1、隨著人工智能技術(shù)的發(fā)展，以三維重構(gòu)技術(shù)為支撐的自主駕駛和虛擬現(xiàn)實等應(yīng)用被廣泛關(guān)注；而其應(yīng)用中存在著較高的計算復(fù)雜度與較大的數(shù)據(jù)處理規(guī)模，制約了重構(gòu)的實時性。為此本文針對其使用過程中常見的幾類典型場景展開了如下具體研究：
　?。?）在小場景重構(gòu)中，有常見的幾種特征檢測算法如Fast、Surf、SIFT等，其中SIFT發(fā)展較為成熟，非常適用于場景中關(guān)鍵元素的獲取，本文針對其特征提取過程中計算較為耗時的部分，使用CUDA技術(shù)進(jìn)行并行優(yōu)化

2、。同時，在特征匹配過程中，實現(xiàn)了一種基于GPU的KD樹搜索方法，并利用KD樹和具有紅黑樹特性的緩存密鑰文件提高特征的匹配效率。
　?。?）在運動場景重構(gòu)中，介紹了目前使用較為廣泛的Kinect傳感器，并針對微軟提供的KinectFusion建模方法中的ICP配準(zhǔn)過程，提出引入感興趣區(qū)域優(yōu)化建模算法中的相機(jī)姿態(tài)估計效率。最后，通過實驗驗證這一方法在保證重構(gòu)精度的前提下，有效改善了整體計算性能。
　　（3）在大場景重構(gòu)中，隨著計

3、算量的急劇增加，稀疏捆綁調(diào)整方法的時間復(fù)雜度成為制約運動恢復(fù)結(jié)構(gòu)法快速成像的計算瓶頸，本文實現(xiàn)了一種基于GPU的并行捆綁調(diào)整算法，并將使用該方法生成的稀疏三維點云通過CMVS和PMVS技術(shù)得到稠密三維點云。接著，通過本文并行優(yōu)化后的泊松表面重建方法構(gòu)建致密的三維模型。最后，基于分布式框架實現(xiàn)了分布式三維重構(gòu)系統(tǒng)，并完成了一系列性能測試實驗。
　　實驗表明，本文分布式三維重構(gòu)系統(tǒng)能夠有效處理大場景的三維重建，并在分布式系統(tǒng)的基礎(chǔ)上引