基于无人机航拍图像序列的三维场景实时重建方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 基于双目三维重建 | 第13-15页 |
| 1.2.2 基于图像序列的三维重建 | 第15-16页 |
| 1.3 本文的主要研究内容及组织结构 | 第16-20页 |
| 1.3.1 主要研究内容 | 第16-18页 |
| 1.3.2 主要研究成果 | 第18页 |
| 1.3.3 本文的组织结构 | 第18-20页 |
| 第2章 三维模型重建基础理论 | 第20-28页 |
| 2.1 射影几何基础理论 | 第20-21页 |
| 2.2 相机成像模型与相机标定 | 第21-24页 |
| 2.2.1 相机成像模型 | 第21-22页 |
| 2.2.2 摄像机标定 | 第22-24页 |
| 2.3 对极几何基础理论 | 第24页 |
| 2.4 本质矩阵与单应矩阵 | 第24-28页 |
| 2.4.1 本质矩阵 | 第24-25页 |
| 2.4.2 单应矩阵 | 第25-28页 |
| 第3章 一种视频图像关键帧筛选方法 | 第28-36页 |
| 3.1 关键帧筛选方法概述 | 第28-29页 |
| 3.2 浅层筛选 | 第29-31页 |
| 3.3 深层筛选 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-36页 |
| 第4章 图像预处理 | 第36-44页 |
| 4.1 图像增强 | 第36-38页 |
| 4.1.1 直方图 | 第36-37页 |
| 4.1.2 灰度变换 | 第37-38页 |
| 4.1.3 图像锐化 | 第38页 |
| 4.2 边缘检测 | 第38-39页 |
| 4.3 实验结果与分析 | 第39-44页 |
| 第5章 自适应的H-SIFT的特征点提取与匹配 | 第44-54页 |
| 5.1 特征点提取算法概述 | 第44-45页 |
| 5.2 H-SIFT实时拼接算法 | 第45-49页 |
| 5.2.1 H-SIFT特征点提取 | 第45-48页 |
| 5.2.2 H-SIFT特征点匹配 | 第48-49页 |
| 5.3 实验结果与分析 | 第49-54页 |
| 第6章 视频图像序列实时三维重建 | 第54-70页 |
| 6.1 相机估计与稀疏重建 | 第54-59页 |
| 6.1.1 从运动恢复结构 | 第55-57页 |
| 6.1.2 累计误差消除 | 第57-59页 |
| 6.2 稠密点云重建 | 第59-62页 |
| 6.3 实验结果与分析 | 第62-70页 |
| 6.3.1 单建筑重建实验结果 | 第63-68页 |
| 6.3.2 建筑群重建实验结果 | 第68-70页 |
| 第7章 基于GPU的CUDA加速 | 第70-76页 |
| 7.1 CUDA概述 | 第70-72页 |
| 7.2 CUDA优化方法 | 第72-74页 |
| 7.2.1 并行运算优化 | 第72-73页 |
| 7.2.2 内存优化 | 第73页 |
| 7.2.3 指令集优化 | 第73-74页 |
| 7.3 实验结果与分析 | 第74-76页 |
| 第8章 总结和展望 | 第76-78页 |
| 8.1 总结 | 第76页 |
| 8.2 展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 读研期间研究成果 | 第82-84页 |
| 致谢 | 第84-86页 |
