【技术实现步骤摘要】
本专利技术涉及一种基于纹理模型与噪声点云清洗的小天体智能三维重建方法，属于航空航天。
技术介绍
1、随着航天器技术的不断发展，深空探测任务已逐渐成为国际热点研究内容。对于小天体，期待深入了解其本质与形成演化机理，探索生命起源等科学问题并尝试开发利用空间资源，从而进行环绕、附着及采样等形式的探测，同时试验验证航天等领域的新型技术。小天体为非合作目标，具有与一般合作目标所不同的特点：1)不主动对外提供或传递自身信息；2)未安装任何可供合作测量的标识物；3)三维外形与惯量等先验物理参数所知甚少，甚至完全未知。面对复杂环境和动态目标，感知小天体三维形貌是保证相关任务顺利实施的前提，因此研究并发展小天体的高精度快速三维重建方法十分重要。
2、在已发展的关于空间目标基于序列图像的三维重建方法中，在先技术[1](参见：蓝朝桢,耿迅,徐青,等.基于序列影像的小天体三维形状重建方法研究[j].深空探测学报,2014,1(02):140-145.)提出基于序列影像的小天体三维形状重建方法，根据影像间的内在几何约束关系，在无精确位姿的条件下采用稀疏光束法平差方法求解小天体序列影像的相对位姿，进一步稠密匹配以重建其三维形状。
3、在先技术[2](参见：yao y,luo z,li s,et al.mvsnet:depth inference forunstructured multi-view stereo[c]//proceedings of the european conference oncomputer vision(
4、目前传统的基于图像的三维重建方法计算量大、计算耗时长，且星载处理器算力有限，不利于具有自主需求的深空探测任务顺利实施。通过搭载地面训练好的神经网络进行预测可有效缓解计算压力，使用自建天体数据集与深空背景特征清洗噪声点云可有效优化点云模型。
技术实现思路
1、本专利技术主要目的是提供一种基于纹理模型与噪声点云清洗的小天体智能三维重建方法，针对深空小天体三维形貌感知问题，基于现有mvsnet神经网络模型快速良好的深度预测性能以及生成点云的后处理手段，利用自建小天体数据集训练mvsnet神经网络模型，学习输入二维光学图像与输出深度图像之间的复杂非线性关系，确定最优权重参数，预测还原深度并生成包含纹理的三维点云模型，进一步基于深空背景特征清除噪声点云以优化点云模型，实现小天体的高精度快速智能三维重建。本专利技术具有重建求解精度高、效率高、拓展能力强等优点。
2、本专利技术的目的是通过下述技术方案实现的：
3、本专利技术公开的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，选用具有良好深度估计与深度融合性能的mvsnet神经网络模型，以包含1张参考图像与n张源图像的非结构化图像为输入，以参考图像的深度图像为输出，以通过后处理手段融合获得的点云模型为最终重建结果，用于解决深空小天体目标快速高效的三维重建问题。获取大量小天体无纹理多面体模型和天体纹理图像，对小天体无纹理多面体模型进行随机纹理贴图，获得模拟真实小天体目标的小天体有纹理多面体模型，使用渲染软件批量渲染各小天体有纹理多面体模型的多视点图像，将多视点图像导入重建管道批量获取小天体目标的场景模型文件，进一步将场景模型文件转换为符合公开的dtu数据集结构的形式，从而构建用于提升步骤一的mvsnet神经网络模型对小天体深度预测效果的自建小天体数据集。按照预定比例，划分自建小天体数据集为训练集、验证集与测试集。利用步骤二的自建小天体数据集训练并验证mvsnet神经网络模型，确定mvsnet神经网络模型的最优权重参数。通过mvsnet神经网络模型的深度图估计、深度图优化，以及后处理手段的深度图滤波与深度图融合，获得小天体三维点云模型，实现基于自建小天体数据集的小天体快速智能三维重建。针对步骤三重建的小天体三维点云模型存在的深空背景被错误估计深度的噪声点云，考虑深空背景黑色特征与小天体目标纹理特征之间的颜色差异，对小天体三维点云模型中纹理颜色值在预定范围内的点云进行清洗删除，优化小天体三维点云模型以提高小天体智能三维模型重建精度。本专利技术适用于小天体探测、抵近规划制导控制等多个任务场景。
4、本专利技术公开的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，包括如下步骤：
5、步骤一：选用具有良好深度估计与深度融合性能的mvsnet神经网络模型，以包含1张参考图像与n张源图像的非结构化图像为输入，以参考图像的深度图像为输出，学习并逼近输入与输出之间的复杂非线性关系，以通过后处理步骤融合获得的点云模型为最终重建结果，用于解决深空小天体目标快速高效的三维重建问题。
6、mvsnet神经网络模型是基于多视图图像的深度估计网络，具有良好的深度估计与深度融合性能。作为一种端到端的深度学习架构，mvsnet神经网络模型以包含1张参考图像与n张源图像的非结构化图像为输入，以参考图像的深度图像为输出，学习并逼近输入与输出之间的复杂非线性关系，进一步以通过后处理步骤融合获得的点云模型为最终重建结果，用于解决深空小天体目标快速高效的三维重建问题。
7、步骤二：获取大量小天体无纹理多面体模型和天体纹理图像，对小天体无纹理多面体模型进行随机纹理贴图，获得模拟真实小天体目标的小天体有纹理多面体模型，使用渲染软件批量渲染各小天体有纹理多面体模型的多视点图像，将多视点图像导入重建管道批量获取小天体目标的场景模型文件，进一步将场景模型文件转换为符合公开的dtu数据集结构的形式，从而构建用于提升步骤一的mvsnet神经网络模型对小天体深度预测效果的自建小天体数据集。按照预定比例，划分自建小天体数据集为训练集、验证集与测试集。
8、作为优选，使用blender软件批量渲染各小天体有纹理多面体模型的多视点图像；将多视点图像导入colmap管道批量获取小天体目标的场景模型文件。
9、步骤2.1：获取大量小天体无纹理多面体模型和天体纹理图像，对小天体无纹理多面体模型进行随机纹理贴图，获得模拟真实小天体目标的小天体有纹理多面体模型。
10、获取大量小天体无纹理多面体模型，由于获取的小天体模型多数缺少纹理信息，因此进一步获取用于对小天体模型的面片进行纹理贴图的天体纹理图像。此外，获取的小天体模型数量远大于获取的天体纹理图像数量，采用对多个小天体模型随机进行纹理贴图的方式，提高小天体目标模拟的泛化性。
11、纹理贴图方法实现方法为：通过近似spherical形式的投影映射，将小天体无纹理多面体模型的三维坐标点转化为二维参数空间坐标点；根据实际的本文档来自技高网...
【技术保护点】
1.基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：包括如下步骤，
2.如权利要求1所述的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：还包括步骤五，利用步骤二的自建小天体数据集、步骤三的MVSNet神经网络模型最优权重参数、步骤四的噪声点云清洗方法，实现高精度快速的智能小天体三维重建，将所述小天体智能三维重建模型用于相对位姿估计、小天体引力场反演，提高相对位姿估计、小天体引力场反演精度。
3.如权利要求1或2所述的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：步骤一中，
4.如权利要求3所述的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：步骤二实现方法为，
5.如权利要求4所述的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：步骤三实现方法为，
6.如权利要求5所述的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：步骤四实现方法为，
7.如权利要求5所述的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，
...【技术特征摘要】
1.基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：包括如下步骤，
2.如权利要求1所述的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：还包括步骤五，利用步骤二的自建小天体数据集、步骤三的mvsnet神经网络模型最优权重参数、步骤四的噪声点云清洗方法，实现高精度快速的智能小天体三维重建，将所述小天体智能三维重建模型用于相对位姿估计、小天体引力场反演，提高相对位姿估计、小天体引力场反演精度。
3.如权利要求1或2所述的基于纹理模型与噪声点云清洗的小天体智能三维重建方法，其特征在于：步骤一中，
4.如权利要求3所述的基于纹理模...
【专利技术属性】
技术研发人员：张哲，吴伟仁，郑祚修，乔栋，潘倩，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。