涂福泉,魏斯佳

(武汉科技大学冶金装备及其控制教育部重点实验室,湖北 武汉,430081)

随着机器视觉技术的发展,图像三维重建技术因成本低且易于实现,已成为工业零件质量检测的有效方法之一。三维重建根据二维图像提供的三维信息对目标物体进行恢复,其准确性主要依赖于对图像间场景重叠的识别。运动恢复结构(structure from motion,SfM)作为三维重建中最常用的方法之一,其能恢复一系列无序图像的三维空间点和相机姿态,应用场景广泛且复杂,但也存在一定的问题[1],如机械工程领域中轴承、齿轮、液压件等零件常存在重复性结构,这种相似、模糊的结构极易导致重建得到错误模型,即使Colmap、Bundler等主流软件也难以避免该类问题的发生[2]。

为此,Zach等[3-4]提出了“缺失对应”的概念,即获取3张匹配良好的图像构成视图三联体,通过第3张图像中的补充信息来完善图像间的对极几何关系,以此来检测和去除不正确视图,但该方法较为绝对,很可能会排除正确视图。针对此概念,Jiang等[5]提出了一种新的优化标准,他们首先证明了所述目标函数的全局最小值与正确的三维重建相关,然后设计了一个有效的最小化算法以保证目标函数收敛至最小值,该方法可用于处理高度歧义场景,但无法用于区分非连通模型。不少研究者认为重复结构中的背景信息同样具有利用价值,如Wilson等[6]根据可见性图中的局部背景信息来剔除错误的特征点轨迹,该方法适用于大规模网络数据集,Heinly等[7]对此方法进行改进,但某些情况下仍存在模型过分割问题。……