2017年第36卷第12期》应用技术
传感器与微系统（Transducerand MicrosystemTechnologies）
157
DOI:10. 13873/J.10009787(2017)12015704
随机蕨编码在三维重建中的应用
刘洋，张国山，黄伟杰，王欣博
（天津大学电气与自动化工程学院，天津300072）
要：针对KinectFusion算法中存在的重建范围小、缺少有效的重新定位策略及累计误差间题，提出了摘
一种基于随机蕨编码的三维重建方法。应用随机蕨编码构建相机路径回环的检测策略减少长时间重建所产生的累积误差，通过检索相似关键赖进行相机位姿估计失败后的重新定位，通过与程序集成框架Infini-TAM相结合，增大重建范围。采用RCB-DSLAM验证数据集进行了对比实验。实验表明：提出的方法可以大大增加重建范围，在相机定位失败后有效地进行重新定位，同时减少了长时间重建产生的累积误差，
使得三维重建的过程更加稳定，获得的相机位姿更加精确。关键词：随机蕨编码；三维重建；相机路径回环；关键赖
中图分类号：TP391
文献标识码：A
文章编号：1000-9787(2017)12-0157-04
Applicationofrandomfern encodingin3Dreconstruction
LIU Yang, ZHANG Guo-shan,HUANG Wei-jie, WANG Xin-bo
(School of Electrical Engineering & Automation, Tianjin University, Tianjin 300072, China)
Abstract: Aiming at problem of small reconstruction range,lack of effective relocalization strategy and cumulative error in KinectFusion algorithm, propose a 3D reconstruction method based on random ferm coding, The camera trajectory loop closures is detected by using the random fem encoding to reduce the accumulated error caused by long time reconstruction. By retrieval similarity key frames, relocate camera pose estimation after failure. By combining with InfiniTAM,range of reconstruction are increased. A comparison experiment is carried out using the RGB-D SLAM dataset. Experimental results show that the proposed method can greatly increase reconstruction range,effectively relocate the camera pose after failure, and reduce accumulated error, which makes the 3D reconstruction process more stable and obtains camera pose more accurately.
Key words: random fem encoding; 3D reconstruction; camera trajectory loop closures; key frames
引言 0
三维重建技术一直是计算机视觉领域的研究热点，在人机交互、机器人导航控制、增强现实等方面有着重要应用。自2010年11月微软公司发布Kinect以后，由于其操作简单、成本低廉、携带轻便，使得基于Kinect深度传感器的室内三维重建技术研究迅速发展起来。
2010年，HenryP等人("|利用Kineet相机对室内场景进行三维重建。但此方法获得的三维模型较为粗糙，速度也只有2fps左右。2011年，NeweombeRA等人提出了Ki-nectFusion算法(3)，可以在可变光照条件下对室内环境进行密集表面重建，但该算法存在以下3个问题：1)重建范围受限制;2)建模过程中相机位姿估计会产生累积误差;3) 相机位跟踪失败后不能有效地进行重新定位。
2013年，MatthiasN等人(3)将哈希结构[4.5)引人到了收稿日期：2016-10-19
KinectFusion算法，利用高效的数据结构，内存与显存之间的数据流交换，使得三维重建的范围有了很大提升。2014 年，PrisacariuVA等人实现了MatthiasN等人[3]的思想，构造了一个KinectFusion算法的集成程序框架称为Infini-TAM[‘]Prisacariu，将KinectFusion算法建模的各个步骤集成为模块，使得用户可以很容易地根据需要进行算法的改进或者更换，从而实现了基于哈希结构的快速、灵活的大范围三维重建。
2015年，GlockerB等人(7,4)将随机蕨编码算法引人到三维重建系统中，利用随机蕨编码提取RCB-D图像的特征，通过对其快速匹配，实现了跟踪失败时相机位姿的重新获取。
与KinectFusion算法一样，许多基于稀疏特征点的三维建模算法(9,1），均会产生累积误差，目前，主要通过检测