主流SFM处理方式的梳理

最新推荐文章于 2024-09-12 23:36:53 发布

LuMan__

最新推荐文章于 2024-09-12 23:36:53 发布

阅读量5.4k

点赞数 4

分类专栏： sfm 文章标签：计算机视觉 slam structure

本文链接： https://blog.csdn.net/qq_40553011/article/details/120788440

版权

本文梳理了SFM（运动结构重建）的四种主流处理方式：全局式、增量式、分层式和混合式SFM。全局式SFM对所有数据进行一次性处理，适合小数据集但对噪声敏感；增量式SFM逐步添加视图，处理过程稳定但存在漂移风险；分层式SFM通过数据划分提高处理效率，但可能不够稳健；混合式SFM结合了前两者优点，但研究尚浅。

摘要由CSDN通过智能技术生成

SFM是什么？

SFM即Structure-from-motion运动结构重建，从大批量图像数据出发，通过相关处理，获取目标图像集3D几何（结构）和摄像机姿态（运动）信息，主要处理流程可分为如下几步：特征提取；特征匹配；姿态估计；束调整。具体处理流程参见下图：

本文主要聚焦于对不同SFM处理方式的梳理总结，对SFM原理部分，可参考该博主的文章： SFM原理简介
总体来说，现有的主流SFM方式可分为如下四类：
全局式SFM
增量式SFM
分层式SFM
混合式SFM
其中后两种处理方式，是近些年来随着三维重建数据量的不断攀升，而逐渐兴起的针对大规模数据处理而诞生的新的处理方式。

全局式SFM

大多数的全局SFM处理可分为如下两步进行。首先，针对场景中的N个视图计算各视图的全局旋转，即旋转平均；然后在该基础上计算各视图的平移，以及结构，即平移平均。而将这两个步骤分开的好处是，即使对于小基线，也可以相当精确地估计相对双视图旋转，而相对平移则不是这样。这些方法考虑了整个极线图，其节点表示视图，并且其中边链接具有足够一致匹配点的视图。图的所有循环都产生多视图约束，也就是说&