买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北大学秦皇岛分校申请的专利未标定单目视觉系统的三维重建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115375843B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211004632.6，技术领域涉及：G06T17/00；该发明授权未标定单目视觉系统的三维重建方法是由沙晓鹏;曹加奇;肖乐;齐宁;司晓鹏;李文超设计研发完成，并于2022-08-22向国家知识产权局提交的专利申请。

本未标定单目视觉系统的三维重建方法在说明书摘要公布了：本发明提供一种未标定单目视觉系统的三维重建方法，涉及三维重建技术领域。本发明利用Harr小波变换检测出在拍摄过程中由于运动产生的模糊图像，从而减小模糊图像在特征点匹配时造成的误匹配问题；其次，对剔除模糊图像后的数据集，利用关键帧筛选算法，筛选出数据集中相邻图像间基线大的图像，以减小计算量以及提高后续特征匹配精度。二是点云重建，首先从图像中利用相机自标定方程获取相机的内部参数，其次利用增量式运动恢复结构的方法从图像序列中计算出目标物体的稀疏点云结构信息，再通过对稀疏点云优化以及区域增长算法最终得到目标物体的稠密点云结构信息。

本发明授权未标定单目视觉系统的三维重建方法在权利要求书中公布了：1.一种未标定单目视觉系统的三维重建方法，其特征在于，包括以下步骤： 步骤1：视频数据获取，使用单目摄像机围绕重建的目标物体进行360°环绕拍摄； 步骤2：对视频数据进行预处理； 步骤3：进行特征点检测与匹配，得到特征点匹配对； 步骤4：去除误匹配特征点；对步骤3得到的特征点匹配对，利用随机采样一致性方法求解最佳单应性矩阵H，从而去除误匹配的特征点对，获得正确匹配点对； 步骤5：对相机进行自标定，获取相机内部参数；根据对视频分帧得到的图像，利用图像的高H、宽W计算图像的中心点坐标，根据步骤4得到的正确匹配点对，利用归一化八点法计算出基础矩阵F以及极点，通过式1Kruppa自标定方程求解出相机的内部参数焦距f： 1； 其中，、为待匹配的两幅图像的中心点坐标，，从而获得相机内参矩阵K如式2，其中倾斜因子s=0； 2； 步骤6：从步骤2获取的清晰且基线大的图像数据集中取出前2幅图像，重复步骤3、4获得特征匹配点对，根据图中二维点x与空间三维点X关系，如式3，计算出三维点： 3； 其中，K为内参矩阵，R，t为相机的旋转矩阵和平移向量； 步骤7：稀疏点云结构生成；利用增量式运动恢复结构的方法，对清晰且基线大的图像数据集进行三维点的计算，从而恢复出目标物体的稀疏点云结构信息； 步骤8：稀疏点云优化；利用光束平差法对目标物体的稀疏点云结构进行全局优化，如式4所示： 4； 对运动恢复结构计算得到的相机位姿和三维结构优化，通过最小化2D图像上的重投影点和真实点之间的距离来获得最佳相机的位姿即旋转矩阵R和平移向量t，以及空间三维点的3D坐标X，其中，P为投影矩阵，m,n为特征点的数量； 步骤9：稠密点云结构生成；将步骤8优化后的三维点，投影到对应的二维图像中得到投影点x，分别对投影点x周围的4点、8点、24点灰度值，计算相关性系数NCC，并将NCC与设定阈值B进行比较，若满足设置的条件，则将X邻域4点、8点、24点列入后续三维点的计算过程，若不满足，则进行下一投影点邻域点的判断，依次对稀疏点云进行操作，最终得到候选点，将候选点通过步骤7、8得到稠密点云结构，完成未标定单目视觉系统的三维重建； 所述步骤2具体包括以下步骤： 步骤2.1：对视频分帧得到N张图像，获取图像的高H和宽W，即，建立图像数据集； 步骤2.2：遍历图像数据集，利用Harr小波变换检测模糊图像，并将模糊图像从图像数据集中剔除； 所述检测模糊图像为，遍历图像的每个像素，在图像的水平、垂直、对角三个方向进行变换操作，构建边缘图，如式5所示： 5； 根据边缘图中G-Step和Roof边缘类型结构，得到二维G-Step、Roof向量、G-Step、Roof模糊向量，若满足式6所示关系，则标记当前图像为模糊图像，并从数据集中剔除；若不满足，则标记当前帧为清晰图像，并对下一幅进行判断，直至遍历完所有数据； 6； 其中，为图像模糊阈值； 步骤2.3：对步骤2.2中筛选的清晰图像进行特征点匹配，利用极几何约束关系计算出基础矩阵F和单应性矩阵H，再通过几何鲁棒性准则GRIC准则从筛选后的清晰图像中筛选出宽基线图像，如式7所示： 7； 8； 9； 其中，为关于特征点位置的残差项，k为拟合模型H和F所需要的参数个数，为模型维度的惩罚项，为模型参数个数的惩罚项；根据789式计算上一幅图像与当前图像中点与点之间在F和H两种模型约束关系下的得分GRICH与GRIRF的值，并进行比较，若满足式10，则标记当前图像为关键帧，若不满足式10，则标记当前图像为非关键帧，并继续对下一幅图像进行重复操作，直至遍历完数据集中所有数据； 10； 所述步骤3具体包括以下步骤： 步骤3.1：利用尺度不变特征变换检测算法SIFT提取图像中的特征，得到相应的关键点和描述子； 步骤3.2：利用直线段检测算法LSD，通过计算每个像素的水平线角所构成的水平线场来检测图像中的直线特征； 步骤3.3：再利用关键点特征向量间的欧式距离判断两幅图像中关键点的相似性，最终利用特征点匹配算法FLANN进行特征点匹配，获得特征点匹配对； 步骤9中所述投影为，将获得的稀疏点云作为种子点反向投影到图像上，根据几何一致性约束计算投影点x周围4、8、24像素点灰度值大小所得的NCC值，如式11所述： 11； 若NCC大于设定阈值B，则将x周围4、8、24个点列入三维点计算范围内，依次对稀疏三维点遍历；再对得到的二维点，计算出相应的三维点，从而完成对稀疏点云的稠密。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学秦皇岛分校，其通讯地址为：066004 河北省秦皇岛市经济技术开发区泰山路143号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。