计算机视觉之三维重建课程笔记（八）：SfM系统解析
SfM系统解析，以OpenMVG为例OpenMVG 是一个，主要用于，也就是从多张 2D 图像中恢复出 3D 场景结构和相机位姿文章链接：计算机视觉之三维重建（深入浅出SfM与SLAM核心算法）—— 8.运动恢复结构(SfM)系统解析_哔哩哔哩_bilibili。
·
SfM系统解析，以OpenMVG为例
OpenMVG 是一个 开源的多视几何（Multiple View Geometry）库，主要用于 结构光束法恢复（Structure-from-Motion, SfM），也就是从多张 2D 图像中恢复出 3D 场景结构和相机位姿
文章链接：
https://www.bilibili.com/video/BV1DQ4y1e7x6?spm_id_from=333.788.videopod.sections&vd_source=132c74f7a893f6ef64b723d9600c40b7SfM系统设计：
输入：多张图片 （其中的相机的内参是默认已知的）
摄像机内参如何来？ 图像的EXIF的信息就包含这个信息
注意：像素点坐标是不知道的
两视图SfM系统：
SIFT可以提取尺度不变的特征，包含一个点和周围的信息
尺寸归一化：
旋转归一化：
明暗归一化
由于初始的匹配结果可能会存在噪声，就可以用RANSAC的方法来优化匹配结果
RANSAC 的全称是 Random Sample Consensus（随机采样一致性），它是一种常用的 鲁棒参数估计方法，常用于在数据中含有大量噪声或离群点（outliers）的情况下，寻找最符合多数数据的模型。
基于增量法的SfM系统：
通常以第一个摄像机为世界坐标系
每步都用bundle adjustment进行修正
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
5
0- 0
已为社区贡献3条内容
所有评论(0)