三维重建

3D重建算法原理 三维重建（3D Reconstruction）技术一直是计算机图形学和计算机视觉领域的一个热点课题。早期的三维重建技术通常以二维图像作为输入，重建出场景中的三维模型。但是，受限于输入的数据，重建出的三维模型通常不够完整，而且真实感较低。随着各种面向普通消费者的深度相机（depth camera）的出现，基于深度相机的三维扫描和重建技术得到了飞速发展。以微软的Kinect，华硕的XTion以及因特尔的RealSense等为代表的深度相机造价低廉，体积适当，操作方便，并且易于研究者和工程师进行开发。三维重建技术也是增强现实（Augmented Reality，简称AR）技术的基础，经过扫描重建后的三维模型可以直接应用到AR或VR的场景中。本文将简单介绍基于深度相机的三维重建技术的基本原理及其应用。 背景 对几何3D模型不断增长的需求：电影 游戏 虚拟环境等行业 VR&AR的火爆 房地产 三维地图等领域的需求 中国古代建筑三维数字化保护 三维数字化城市 三维地图 VR&&AR游戏，电影等 医疗行业：三维心脏 教育行业等 应用 方法介绍 传统的三维重建主要是依靠昂贵的三维扫描设备，并且需要被扫描的目标保持一段时间的稳定。近年来，由于计算机硬件大规模计算能力的发展，特别是GPU和分布式计算的发展，实时高效的解决方案成为了可能。目前主流的方法主要分为以下两类：

摘自：https://mp.weixin.qq.com/s/7U4yOwkxwOmiNEn_XAUsTQ 1.KinectFusion（2011） 不需要RGB图而只用深度图的情况下就能实时地建立三维模型。KinectFusion算法首次实现了基于廉价消费类相机的实时刚体重建，在当时是非常有影响力的工作，它极大的推动了实时稠密三维重建的商业化进程. KinectFusion之后，陆续出现了Kintinuous，ElasticFusion，ElasticReconstruction，DynamicFusion，InfiniTAM，BundleFusion等非常优秀的工作。其中2017年斯坦福大学提出的BundleFusion算法，据说是目前基于RGB-D相机进行稠密三维重建效果最好的方法。 2.Kintinuous和ElasticFusion Kintinuous GitHub代码：https://github.com/mp3guy/Kintinuous ElasticFusion GitHub代码：https://github.com/mp3guy/ElasticFusion 3.ElasticReconstruction 项目官网：http://qianyi.info/scene.html GitHub代码：https://github.com/qianyizh

0. Background 很久很久以前记录了一下使用WPF进行三维重建的一些探索，后来了解到了VTK这个开发包， 觉得功能很强大，因此后续都在基于VTK进行三维重建，在前文中对于VTK的一些相关网站进行了介绍 http://www.cnblogs.com/dawnWind/archive/2013/01/14/3D_04.html 这里就不再累赘了，感兴趣的Google一下即可。 对于VTK感兴趣的还可能会认识到与之相关的几个开发包。 其一是ITK: http://www.itk.org/ ITK始于著名的(VHP) Visible Human Project http://www.nlm.nih.gov/research/visible/visible_gallery.html 简要地说VHP就是使用现代技术使用医学扫描等方式（如X光、CT、CMR等）获得人体二维图片，并根据这些图片构建出三维模型， 当然这里说要求的精度以及细度都非常高。人体的三维模型在我们头脑中可能立马会闪现很多电影里面有的场景， 一个组织脉络都清晰可见的人体呈现在我们面前。可以说在那个时代美国提出的这一科技项目不仅是高屋建瓴实际上 也给后续相关技术的发展带来了巨大的推动。 不过ITK说关注的更多是三维数据的测量、切割等，如果要进行三维呈现通常可以和VTK进行协作，这两者之间的数据 互通也很方便

毕业设计记录之三维重建相关论文阅读 开头的话 记录综述 中文文献 外文文献 总结 开头的话 一直很想通过博客记录自己的学习生活，一眨眼已经是大四狗了，趁着本科的尾巴，记录一下自己做毕业设计的过程（大概是填坑吧~）。本人毕业设计选题为三维重建方向，同时还需要做一点点模型匹配的工作，主要是足部重建并生成鞋楦，这个课题是一年前的大创，拖到现在，鬼知道我当时为什么要跟导师做这个题目啊！完全是给自己挖坑！因为研究生将要学习的方向是计算机视觉，所以就…那就继续做这个课题吧，暴风哭泣，还是要保持微笑呀（年轻人自我安慰式动力源泉：我可以，我能行！） 记录综述 之前有对三维重建相关的知识进行一些了解，比如相机成像原理、相机标定、SFM、ORB-SLAM等，但是这些知识目前在我的脑海中是零碎的，不构成一个完整的知识系统，所以这次打算从论文学习开始，毕业设计大致的过程如下： 对课题背景进行研究 对自己所做的系统进行初步整体规划：功能、开发平台、相关技术、交互等 找出技术关键，分阶段实现 完整系统的搭建 测试与完善 论文的撰写 开题的时候已经对整个课题进行了背景研究，完成了系统整体规划，现在进入正式的制作阶段，所以接下来的笔记是对相关技术的研究，先阅读论文再着手敲代码。英语六级踩线过水平，因此论文阅读从中文论文开始，再阅读外文文献进行补充，那么我们现在开始吧！ 中文文献 一种基于智能手机成像的三维重建方法

原链接，仅VIP可看 https://blog.csdn.net/Creepy_TonyLiu/article/details/78223518 替代链接 https://www.cnblogs.com/tansuoxinweilai/p/10587135.html 来源： CSDN 作者： weixin_44894215 链接： https://blog.csdn.net/weixin_44894215/article/details/103973824

随着深度学习技术的进步，面部相关任务的研究也成为学术界和工业界的热门话题。众所周知的面部任务通常包括面部检测，面部识别，面部表情识别等，其主要使用2D RGB面部（通常包括一些纹理信息）作为输入; 3D扫描成像技术的出现为面部相关任务 - 3D面部开发了一条新的探索路线。 与许多2D面部相关的任务介绍性文献/评论文章相比，3D面部的入门知识还不够好。本文将回顾和介绍三维人脸相关的基础知识，并总结一些关于三维人脸识别与重建的基础入门文献。 3D人脸基础知识 一般而言，RGB，灰度和红外人脸图像是2D人脸，其主要是在特定视角下表示颜色或纹理的图像，并且没有空间信息。用于训练深度学习的图像通常是2D。 2.5D是在某个视角下拍摄的面部深度数据，但由于角度问题，它显示的表面不连续，也就是说，当你试图旋转面部时，会有一些像沟壑一样的空隙区域。这是因为拍摄时未捕获被遮挡部分的深度数据。 那么3D面孔呢？它通常由不同角度的多个深度图像组成，完全显示面部的表面形状，并且在具有一定深度信息的密集点云中的空间中呈现面部。 相机模型 相机模型包括四个坐标系：像素坐标，图像坐标，摄像机坐标，世界坐标（高中物理老师的头部没有闪光灯谈论参考系统），摄像机成像过程是三维的 真实三维空间中的点映射到成像平面（二维空间）的过程也称为投影变换。 相机坐标→图像坐标 相机坐标系到图像坐标系的过程可用小孔成像解释

双目测距与三维重建的OpenCV实现问题集锦（一）图像获取与单目定标 https://blog.csdn.net/chenyusiyuan/article/details/5961769 双目测距与三维重建的OpenCV实现问题集锦（二）双目定标与双目校正 https://blog.csdn.net/chenyusiyuan/article/details/5963256 双目测距与三维重建的OpenCV实现问题集锦（三）立体匹配与视差计算 https://blog.csdn.net/chenyusiyuan/article/details/5967291 双目测距与三维重建的OpenCV实现问题集锦（四）三维重建与OpenGL显示 https://blog.csdn.net/chenyusiyuan/article/details/5970799 opencv双目预处理算法模块分析 https://cloud.tencent.com/developer/article/1065819 文章来源: opencv stereo 解析

转载地址：http://leohope.com/%E8%A7%A3%E9%97%AE%E9%A2%98/2018/03/06/compare-re3d-system/ MVE： https://www.gcc.tu-darmstadt.de/home/proj/mve/ MVS：https://www.gcc.tu-darmstadt.de/home/proj/texrecon/ openMVS: http://cdcseacave.github.io/openMVS/ 对比几个三维重建系统 Posted on | In 解问题 本文简要介绍三维重建的基本流程，列举若干常见系统，给出项目和文档地址，比较它们的工作管线，为深入钻研系统结构作为铺垫。 三维重建概述 我们知道，照相机/摄像机的原理是将一个三维场景或物体投影到二维平面上，过去是胶片，现在是经过感光元件再记录到存储器。降维的过程通常不可避免地会存在信息的损失，而所谓的重建(Reconstruction)，顾名思义就是要从获取到的二维图像中复原原始三维场景或物体。 相对照相机的诞生，三维重建的概念本身说年轻也算年轻；但相比从2012年开始比较火的深度学习、神经网络等概念，三维重建也算是古老的研究领域了，因为第一个基于图像的三维重建系统诞生于1992年（CMU的Tomasi等人的工作）。 三维重建的流程大致如下：首先