计算机视觉之三维重建-SFM系统

这篇具有很好参考价值的文章主要介绍了计算机视觉之三维重建-SFM系统。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


北邮三维重建课笔记

1.PnP问题

计算机视觉之三维重建-SFM系统
PnP问题:就是利用其中两个相机算出三维点坐标,再利用三维点坐标和第三个相机的像平面坐标求出第三个相机的外参数。(这样计算的速度快一点。)
计算机视觉之三维重建-SFM系统
计算机视觉之三维重建-SFM系统
P3P求摄像机位姿。

2. RANSAC拟合

计算机视觉之三维重建-SFM系统

思路:1.随机抽取两个点算出直线方程
2.算出其余点到这个直线的距离
3.设置阈值,计算点到直线距离小于阈值的点个数
4.进行下一次迭代,回到1,最后看哪条直线周围的点最多(这里要考虑一个需要迭代多少次的问题。)
最后周围点最多的那条直线就是我们需要的直线。
计算机视觉之三维重建-SFM系统
计算机视觉之三维重建-SFM系统
迭代次数选择。(主要是求F矩阵用的)

3.本质矩阵与单应矩阵

计算机视觉之三维重建-SFM系统

4.sift特征提取

计算机视觉之三维重建-SFM系统

*2视图欧式结构恢复求解流程

计算机视觉之三维重建-SFM系统
1.使用sift特征提取,提取图像所有匹配点
2.随机均匀采样8对点求基础矩阵F,然后使用RANSAC判断其最好的F
3.求本质矩阵E,再分解出R,T再求出M2
4.最后算出三维点坐标

*openMVG系统

计算机视觉之三维重建-SFM系统
与SLAM系统一样,都是以第一个摄像机坐标系为世界坐标系,其余相机都是相对它的旋转、平移。
计算机视觉之三维重建-SFM系统
预处理工作:由于并不知道所拍摄的对象是否直接是平面,所以每次计算需要1)计算基础矩阵F 2)计算单应矩阵H
计算机视觉之三维重建-SFM系统

Tracks

计算机视觉之三维重建-SFM系统
图中绿线表示只在两个图像中有对应点,红线表示在三个图像中有对应点,每条线代表一个track,track中记录了这条线的信息(例如绿色类似(2,点的坐标),红色类似(3,点的坐标))OpenMVG中的计算会把绿色的track剔除掉。

联通图

计算机视觉之三维重建-SFM系统
如果两幅图像中的对应点的个数大于100就连接起来,连接起来的联通图称做G。联通图G的每一条连线称作e

计算流程

(这里的t和G都是可以用数据结构表示的,例如字典、数组)
1.计算对应点的轨迹(tracks) t
2.计算联通图G
3.从G中选取一条边e ==> G[0]、G[1]= e 0 、 e 1 、 . . . . e_0、e_1、.... e0e1....
4.利用e这条边所对应的两个图像估计本质矩阵E
5.分解E,得到这两张图所对应的位姿(外参数)
6.用e就能完成重建,但e只能看到局部,所以选择t∩e的点去重建
(举例:假设e只包含了两幅图100个对应点的信息,而track包含了3幅图,30个对应点的信息,我们只选择共有的30个对应点去重建)
7.删除G中的已重建的边e
8.如果G中还有边e:
1)选取一条满足track(e)∩{已重建3D点}最大的边e
(迭代选择e,这个e和track的交集要与已经重建的三维点交集最大)
2)利用PnP方法估计摄像机位姿(外参数)
(新选择的e中两幅图像中的对应点有部分已经重建,利用已经重建的对应点计算出新的相机位姿参数)
3)三角化新的tracks
(利用未重建的对应点重建出新的三维点)
4)删除G中的这条边
5)执行Bundle Adjustment
9.结束文章来源地址https://www.toymoban.com/news/detail-407091.html

到了这里,关于计算机视觉之三维重建-SFM系统的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【计算机视觉】基于三维重建和点云处理的扫地机器人寻路

    [摘要] 扫地机器人的使用已经越发普及,其中应用到了三维重建的知识。本项目旨在设计由一   定数量的图像根据算法完成三维模型的建立,并利用三维数据最终得到扫地机器人的行驶路   线,   完成打扫机器人成功寻路的任务   。本项目采用的方法是 SFM-MVS   、Colmap  

    2024年01月21日
    浏览(58)
  • 计算机视觉(北邮鲁鹏)学习记录

    基本题型: 题型:选择、填空、简答、分析 绝大多数内容参考自PPT 基本了解内容:每个过程都有些啥 图像表示 :二进制图像、灰度图像、彩色图像。( 将矩阵转为列向量 )3072维 分类模型 : 线性分类模型。是神经网络和支持向量机的基础。。 线性分类模型是一种线性映

    2024年02月03日
    浏览(50)
  • 【北邮鲁鹏老师计算机视觉课程笔记】02 filter

    二进制图像: 灰度图像: 彩色图像: 噪声点让我们看得难受是因为噪声点与周边像素差别很大 滤波核= 卷积核 对应相乘再累加起来 卷积核记录了权值,把权值套到要卷积的目标图上,对应相乘 线性和平移不变形 因为实际使用的时候卷积核是对称的,因此不要求翻转 真实

    2024年02月20日
    浏览(43)
  • 计算机视觉与深度学习-图像分割-视觉识别任务03-实例分割-【北邮鲁鹏】

    论文题目:Mask R-CNN 论文链接:论文下载 论文代码:Facebook代码链接;Tensorflow版本代码链接; Keras and TensorFlow版本代码链接;MxNet版本代码链接 参考:Mask R-CNN详解 将图像中的每个像素与其所属的目标实例进行关联,并为每个像素分配一个特定的标签,以实现像素级别的目标

    2024年02月07日
    浏览(62)
  • 计算机视觉与深度学习-图像分割-视觉识别任务01-语义分割-【北邮鲁鹏】

    给每个像素分配类别标签。 不区分实例,只考虑像素类别。 滑动窗口缺点 重叠区域的特征反复被计算,效率很低。 所以针对该问题提出了新的解决方案–全卷积。 让整个网络只包含卷积层,一次性输出所有像素的类别预测。 全卷积优点 不用将图片分为一个个小区域然后再

    2024年02月07日
    浏览(81)
  • 【北邮鲁鹏老师计算机视觉课程笔记】09 Segmentation 分割

    【北邮鲁鹏老师计算机视觉课程笔记】09 Segmentation 分割 找一个合适的分割方法 过分割:分割得太细 自底向上的方法 无监督的 自底向上:基于像素的 自顶向下:从语义的角度 人会感觉下面的线比上面的线长 人的感知:先感知部件,然后理解组合后的整体语义 临近的、颜色

    2024年02月19日
    浏览(46)
  • 【北邮鲁鹏老师计算机视觉课程笔记】08 texture 纹理表示

    【北邮鲁鹏老师计算机视觉课程笔记】08 texture 纹理表示 规则和不规则的 从纹理中恢复形状 通过识别纹理分析物理性质 如何区分纹理 发现模式、描述区域内模式 A对应图2 B对应图3 C对应图1

    2024年02月20日
    浏览(57)
  • 【北邮鲁鹏老师计算机视觉课程笔记】06 corner 局部特征

    【北邮鲁鹏老师计算机视觉课程笔记】06 corner 局部特征 ①提取特征 ②匹配特征 ③拼接图像 我们希望特征有什么特性? ①可重复性 ②显著性 ③计算效率和表达紧凑性 ④局部性 在角点,往任意方向移动窗体都会发生变化 用泰勒展开,建立E(u,v)和(u,v)的直接关系 E(u,v)是移动

    2024年02月20日
    浏览(41)
  • 【北邮鲁鹏老师计算机视觉课程笔记】07 Local feature-Blob detection

    【北邮鲁鹏老师计算机视觉课程笔记】07 Local feature-Blob detection 不管多近多远,多大多小都能检测出来 找到一个函数,实现尺度的选择特性 看哪个信号能产生最大响应 高斯二阶模版检测尺度(用二阶过零点检测边缘) 高斯二阶导有两个参数:方差和窗宽 最后图表示当信号与

    2024年02月20日
    浏览(36)
  • 【计算机视觉|人脸建模】3D人脸重建基础知识(入门)

    本系列博文为深度学习/计算机视觉论文笔记,转载请注明出处 三维重建(3D Reconstruction)是指根据单视图或者多视图的图像重建三维信息的过程。 人工几何模型 仪器采集 基于图像的建模 描述 基于几何建模软件通过人机交互生成物体三维几何模型 基于结构光和激光扫描技术

    2024年02月14日
    浏览(60)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包