三維重構(gòu)中關(guān)鍵元素獲取及使用的并行化研究與實(shí)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(shí)等應(yīng)用被廣泛關(guān)注；而其應(yīng)用中存在著較高的計(jì)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(shí)時(shí)性。為此本文針對(duì)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(duì)其特征提取過程中計(jì)算較為耗時(shí)的部分，使用CUDA技術(shù)進(jìn)行并行優(yōu)化

2、。同時(shí)，在特征匹配過程中，實(shí)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(yùn)動(dòng)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(duì)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(jì)效率。最后，通過實(shí)驗(yàn)驗(yàn)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(jì)算性能。
　?。?）在大場景重構(gòu)中，隨著計(jì)

3、算量的急劇增加，稀疏捆綁調(diào)整方法的時(shí)間復(fù)雜度成為制約運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)法快速成像的計(jì)算瓶頸，本文實(shí)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(diǎn)云通過CMVS和PMVS技術(shù)得到稠密三維點(diǎn)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(shí)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(shí)驗(yàn)。
　　實(shí)驗(yàn)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