当前位置：首页 > news >正文

做网站为什么赚钱软文有哪些推广渠道

news 2026/4/6 7:33:13

做网站为什么赚钱,软文有哪些推广渠道,网站统计中文域名,软件定制开发报价在学习完鲁鹏老师的三维重建基础后，打算用C代码复现一下增量SFM系统（https://github.com/ldx-star/SFM）。本项目的最终目标就是通过相机拍摄的多视角视图获取三维点云。由于资金有效，博主使用的是相机是小米12。先来看一下最终…

在学习完鲁鹏老师的三维重建基础后，打算用C++代码复现一下增量SFM系统（https://github.com/ldx-star/SFM）。

本项目的最终目标就是通过相机拍摄的多视角视图获取三维点云。由于资金有效，博主使用的是相机是小米12。

先来看一下最终效果：
在这里插入图片描述
当然了，和开源系统比起来还是差很多的。

二、项目流程

整个项目大致可以分为三步：

相机标定
构建共视图
重建

接下来将逐步介绍这三个流程，以及其实现细节。

三、实现细节

手机相机的焦距一般是固定，我们在使用手机拍照时说的调焦其实是算法调焦。为什么避免这个问题，在用手机拍摄标定板时需要关闭手机的自动调焦。

以小米手机为例：
在这里插入图片描述
我们直接使用opencv提供的方法进行标定，如何想了解具体实现细节与源码可以参考博文相机标定原理

我们项目的提供的标定图，最终的重投影误差为0.25，并且我们拍摄图片所使用的是同一个相机，所以所有相机的初始内参全部一样。

2、构建共视图

共视图就是建立图与图间的特征匹配关系。

这部分使用的事opencv的SIFT特征匹配算法，详细原理见博文 SIFT特征检测

在共视图中，我们定义了以下结构：

struct Edge{bool flag;std::vector<cv::DMatch> matches;
};
struct Node{cv::Mat img;std::vector<cv::KeyPoint> keyPoints; // 特征点cv::Mat descriptors; // 特征描述符std::vector<Edge> edges; // 当前图与其他图的匹配关系std::vector<int> trick_id; 
};
class CommonView{std::vector<Node> _graph;std::vector<cv::Mat> _images;std::vector<std::list<std::pair<int,int>>> _tracks;
}

std::vector<cv::Mat> _images:用于存放8副原始视图。

std::vector<Node> _graph:用两个视图间的匹配关系，构建一个图结构

std::vector<std::list<std::pair<int,int>>> _tracks: 用于存放track

什么是track？

如图所示， $image_{k-1}$ 视图中的 $P_{(j,k-1)}$ 与$ image_{k} $视图中的$ P_{(j,k)}$ 是一对儿匹配点， $image_{k}$ 视图中的 $P_{(j,k)}$ 与 $image_{k+1}$ 视图中的 $P_{(j,k+1)}$ 是一对儿匹配点，这三个点表示的是显示同一个三维点，我们将这样的点集称为一个track，由三个点组成的点集就称track的值为3。为了使重建结果稳定，需要将track值小于2的匹配点去掉。一个track对应一个三维点。
std::vector<std::list<std::pair<int,int>>>:这个结构是什么意思？

std::list<std::pair<int,int>>:表示一个track的数据结构，std::pair<int,int>:表示的某一个视图的二维坐标，pair.first表示的是视图id，pair.second表示的是特征点id。

Node结构体

std::vector<cv::KeyPoint> keyPoints:用于存放特征点

cv::Mat descriptors:当前视图的特征描述符

std::vector<Edge> edges:当前图与其他图的匹配关系，例如 edges[2]就表示当前视图与视图2的匹配关系。

std::vector<int> trick_id: trick_id.size()==keyPoints.size()用于表示每个特征点属于哪一个track

Edge结构体

bool flag:用一个布尔值表示两幅视图是否可以用于重建，初始值设为true，在两个视图进行重建后将其设为false

std::vector<cv::DMatch>:表示两视图的匹配关系
在这里插入图片描述

3、重建

选取可用匹配点最多的两个视图，得到初始的重建结果（初始重建结果至关重要，会直接影响到整个重建效果）

初始重建步骤：
1. 计算基础矩阵（博文链接:对极几何）
2. 从基础矩阵中得到相机外参（博文链接：运动恢复结构）
3. 三角化，得到初始三维点（博文链接：三角化）
4. while(存在可以重建的视图)
  - 从剩余视图中选取与已重建点交集最多的点，通过ePnP求得相机外参（博文链接：ePnP）
  - 三角化
  - 利用已重建的三维点进行捆绑调整，最小化重投影误差(博文链接:捆绑调整)，这部分我们是调用Ceres库