全文总字数：5872字
摘 要：随着科学技术的发展，我们可以利用三维扫描设备获取点云数据，实现物体的三维重建。将三维重建技术应用于植株的研究是非常必要的。目前，国内外的学者对各种植株的三维重建进行了大量研究。在分析了多种三维重建方法后，我们发现现阶段利用扫描设备获得的三维数据精度和还原度都越来越高，但因为设备自身条件限制和环境因素影响，点云配准显得更为重要。在图像上利用SIFT算法和SURF算法检测二维关键点，将二维关键点映射至三维，并提取关键点的点云特征，进行配准，是解决问题的关键所在。点云配准利用变换，将数据统一，实现点云拼接，得到整体的点云模型。由于植株结构特征复杂多样，高效的配准算法更是研究重点。目前，点云配准技术分为初始配准和精确配准。初始配准采用基于RANSAC和基于特征的配准方法，可以快速估算变换矩阵。精确配准通过ICP算法完成，效率和精度不断提升。三维重建和点云配准对植株的研究具有重要的现实意义。
关键词：三维重建；SIFT算法；SURF算法；点云配准；ICP算法
引言
随着三维扫描技术的发展，人们经常使用三维扫描设备获取物体表面的坐标信息，获得能够表征物体特征的点，这些点的集合称为点云，我们可以利用点云实现物体的三维重建。但是在实际采集点云的过程中，由于存在扫描设备的角度、距离有限制、物体表面有遮挡和光线范围等因素的影响，我们无法一次性测得目标物体的所有点云信息，所以在三维重建之前还需进行点云配准。而将不同角度下采集的两片点云转换到同一坐标系下的操作称为点云配准[1]。目前，点云配准有着非常广泛的应用领域，如生产检测、地形测绘、生态模拟等[2]。我国作为农业大国，将三维重建技术应用于植株的研究是必然的。植株生长的三维形态快速获取及重构，是我国农业信息化及精准作业的发展需要，是为解决植株生长过程中的数字化、可视化表达的技术问题，重点解决植株生长及形态参数的快速获取、三维形态配准计重构等困难的前沿核心技术[3]。得益于农业知识和计算机技术的有机结合，对植株的形态研究进入到数字化和可视化阶段。因为植株自身结构的复杂性，对其进行点云信息获取及三维形态的精确配准是研究的重点。Kinect相机是微软推出的体感数据获取设备，具备获取环境色彩、深度图像的功能，所以多用于三维模型的重建，并在智能服务、场景复刻等领域得到广泛应用[4]。使用该设备获取植株的三维点云信息，实现不同位置下植株点的精确配准，对后期建立植株三维模型、植株的培育和信息数据库具有重要的现实价值。
2 研究现状
植株三维重建技术研究现状
三维重建是涉及计算机视觉、逆向工程、虚拟现实等诸多领域的热门技术[5]。在该技术的支持下，计算机视觉能够模拟人眼,利用二维图像中的深度、纹理等恢复三维空间中物体的形状和位置信息，将真实物体数字化[6]。现阶段，有关植株领域的三维重建技术也日趋成熟，对植株的形态结构进行三维重建，能够很好的了解植株的生长状态，为植株的病虫害防护、温室育苗试验等的可视化研究提供了很大的帮助。目前，国内外的学者对各种植株的三维重建进行了大量研究，根据重建方法可分为几何建模、点云建模和图像建模。赵春江等[7]通过单目相机采集玉米植株相关数据，重建其骨架，但所采用的立体视觉技术容易受环境因素的影响。袁晓敏等[8]利用数字化仪测量番茄植株的形态参数，构建了适用于番茄群体的三维模型。该模型精度较高，但三维数字化仪价格昂贵且测量过程耗时复杂。方慧等[9]通过激光扫描仪获得多视角下的植物点云数据，在滤波去噪和点云配准后完成植株的三维重建，但激光扫描仪获取信息的速度较慢，且存在数据冗余、价格昂贵等问题。Yamamoto等[10]采用使用光编码技术的第一代Kinect相机，通过其彩色及深度摄像头获取草莓植株的三维信息，Kinect相机价格实惠但其精度却不高，需要对获得的点云数据进行滤波去噪等预处理，提高点云质量[11]。
结合上文可得，随着科技的进步，利用三维扫描设备获得的三维数据精度和还原度都越来越高，但因为三维扫描设备视角的局限性以及待测物体自身可能存在遮挡，以致有些部分无法很好地获取点云数据，因此重点研究植株的点云配准部分，为植株的三维重建提供基础[12]。
基于图像的二维特征提取研究现状
目前，针对植株的结构特性，比较适用的方法有基于点特征的SIFT算法和SURF算法[13]。Dvad GLowe[14]总结了基于不变量的特征检测方法，提出一种基于尺度空间的，对图像变换保持不变性的图像局部特征描述算子——SIFT算子（Scale Invariant Feature Transform）,即尺度不变特征变换。该算法适用于在大量特征数据中进行快速并且准确的匹配。SURF[15]算法是对SIFT算法的改进，具有实时性、系统匹配识别效果好的特点，在提取的特征点时对尺度变换和旋转变换有不变性，容错性较好[16]。
点云配准技术研究现状
点云配准的实质是利用旋转、缩放和平移变换，将不同坐标系下的数据统一到一个坐标系下，以实现点云精准拼接，得到整体的点云模型[17]。点云配准精度作为三维重建技术的关键，直接影响了三维模型的建立，因此点云配准算法一直是研究的重点[18]。由于植株结构特征的复杂和多样性，确定合适高效的配准算法更是研究的重点。求取旋转和平移的变换矩阵是点云配准的关键步骤，目前对点云配准技术的研究可以分为初始配准和精确配准[19]。
初始配准是适用于源点云和目标点云的初始位置未知时的配准方法，利用初始配准可以快速估算一个大致的变换矩阵，缩小两组数据的旋转和平移误差。初始配准的计算过程对精度要求不高，但要求有较快的计算速度。在初始配准中采用的方法主要分为基于RANSAC和基于特征的配准[20]。Fischler M A and Bolles R C在1981年提出了RANSAC（Random Sample Consensus），即随机取样一致性算法[21]，根据几何位置关系的约束，随机选择两片三维点云中3对及以上的对应点作为样本子集，利用最小方差估计算法评估配准结果的质量。以更好的获得最优的配准质量，多次迭代的执行该过程。2006年Winkelbach S等[22]对 RANSAC 进行优化，在原有基础上提出了一种基于单目标的三维点云扫描方法，利用随机采样匹配进行点云配准。基于特征的配准是根据点云的几何特征来进行配准的方法。雷欣利用基于邻域几何特征约束的点云配准算法进行设计，研发了适用于植株的深度图像配准系统[23]。沈跃等[24]利用尺度不变特征变换（SIFT）关键点搜索预处理后的点云，进一步求得关键点法线，从而获得关键点的快速点特征直方图，对仿真绿色植株配准的准确性和快速性有进一步提高。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
