打造离线版 123D Catch.pdfVIP

打造离线版 123D Catch Autodesk 的 123D Catch 让我们能够很简单的 据一组照片构建3D物体 ，你只需要从各个角度拍摄希望建模的物体 ，然后通过 123D Catch 将照片上传到 Autodesk 的云端服务器 ，等待几分钟之后 ，就能下载到完成的模型 ，是不是像变魔术一样 ？ 但是在上传照片和下载模型之间到底发生了什么 ，由照片重建三维模型是个怎样的过程 ，123D Catch 却没有告诉好奇的我们。而且总是 要把图片上传到云端总感觉不太方便 ，说不定我们偶尔想要重建个私密的模型呢 ？今天就让我们尝试用开源软件来替代 123D Catch ，完 成照片重建的任务 ！ 我们将要建模的对象是 123D Catch Windows 版提供的示例照片 ，你可以在 123D Catch 的 sample_proj ect 目录中找到他们。 123D Catch 和开源软件方案的建模效果如下。左边是 123D Catch 的局部 ，右边则是我们自己动手建模的结果 ，觉得哪个效果好些呢 ？ 需要事先说明的是 ，本文的目的在于展示一种技术上的可能性 ，并非主张人们自己动手来尝试照片重建。对于绝大多数用户来说 ，123D Catch 仍然是照片重建的首选。其次 ，笔者只是在业余时间进行了一些调查 ，并非计算机视觉科班出身 ，行文中如果有错误敬请指正。 那么 ，让我们先了解下照片重建的主要步骤吧。 照片重建的主要步骤 整个重建过程大致有以下几步 ， 1、找出各张照片中的特征点 ，进行两两匹配 这一步讲究的是能够精确识别物体的局部特征 ，并且进行快速准确的匹配 ，由于在实际拍摄中 ，可能存在物体的旋转、缩放、或者亮度变 化 ，所以难度不小。现在常用的算法是由 David Lowe 提出的SIFT 方法。 2、根据匹配的结果 ，利 射影定理计算得到相机位置等场景信息 这步又称运动恢复结构 （Structure from Motion ）。对于结果的衡量标准主要是准确性 ，流行使用的是基于 Levenberg-Marquardt 算 法的 Bundler。我们也可把这一步称为稀疏重建 （Sparse Reconstruction ）。 3、将场景信息与原始照片结合在一起 ，得到照片中物体的三维点云 有了场景信息 ，我们就能进行多视立体重建 （Multi-view Stereo Reconstruction ）了。由于处理的图像精度通常都比较高 ，所以这一步 的计算量很大 ，执行效率也因此成为判断算法优劣的标准之一。除了效率之外 ，还需要考量重建的精度以及完整性 ，因为这些因素决定了 点云的质量。PMVS 算法是目前表现最好的多视立体重建算法。另外 ，为了表示和稀疏重建的区别 ，这一步也成为密集重建 （Dense Reconstruction ）。 4、根据三维点云构建三维模型 我们已经得到了物体表面的一系列三维点云 ，但是还需要把这些点连成面 ，才能在一般的三维建模软件中使用。现在比较常用的是泊松表 面重建算法 （Poisson Surface Reconstruction ）。是的 ，就是发明了能够用来预测火车是否晚点的泊松分布的那个人。 怎么样 ，是不是够复杂的。了解了这些主要步骤之后 ，让我们来实际操作吧。 使 开源软件完成重建 我们将使用 VisualSFM 来完成其中的前三步 ，VisualSFM 中已经包含了 SIFT 和 Bundler 的算法 ，不过为了完成第三步 ，你还需要下载 PMVS 的升级版 CMVS ，VisualSFM 会自动调用。而对于第四步 ，我们需要使用 Meshlab 进行网格处理。 让我们开始吧。 1、识别特征点 打开 VisualSFM 后 ，我们点击批量添加照片的按钮 在弹出的对话框中选取 sample_proj ect 中所有佛陀的照片 如果你在菜单中点选了 Tools Show TaskViewer ，将会在其中看到图片已经全部载入了。 图片载入之后 ，我们可以点击工具栏中四个箭头的按钮 ，开始查找特征值与匹配。 在 TaskViewer 中你能够看到每张照片中的 SIFT 特征值的数量 ，以及花费的时间。SIFT 计算结束后 ，VisualSFM 将会对这些特征逐一比 对。 特征值的查找与匹配完成后 ，你会看到对于每张照片 ，VisualSFM 都为我们生成了一个 .sift 文件以及一个 .mat 文件 ，其中记录了特征点 和匹配信息。 2、稀疏重建 完成了特征点的识别与匹配后 ，让我们点击类似于 “快进”的按钮开