Structure From Motion 笔记

OpenMVG三维重建实践与优化策略
最新推荐文章于 2025-09-20 06:22:09 发布
原创 最新推荐文章于 2025-09-20 06:22:09 发布 · 4.5k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#SFM #三维重建 #OpenMVG

本文记录了使用OpenMVG库进行三维重建的过程，包括特征点提取、匹配、摄像机矩阵优化、MVS网格构建以及纹理映射。讨论了可能的改进方法，如特征点算法优化和RANSAC后的再提取。提到了相关工具如assimp库和3D模型查看器open3mod，以及MVE库的全面功能。

期末的大作业使用OpenMVG库进行三维重建，笔记如下：

整体过程：
1. 对多张图片提取特征点(SIFT SURF)
2. 匹配特征点，使用RANSAC算法消除干扰
3. 对于可匹配特征点使用矩阵优化求解库(ceres-solver Osi-Clp SoPlex GLPK)求解摄像机矩阵和位置矩阵(Fundamental Matrix & Essential Matrix)，推算出每个摄像机位置和特征点位置

4.应用MVS(Multiple View Stereo-vision)库建立三维的网格Mesh，
如PMVS稠密点云

5.将二维图片纹理映射至三维场景，如MVS推荐的FSSR(Floating Scale Surface Reconstruction)库或MVS-texturing
而CMPMVS库(非开源

最低0.47元/天 解锁文章
2020年ECCV论文DeepSFM: Structure From Motion Via Deep Bundle Adjustment阅读笔记
zeeq的博客
09-12 2001
  这篇博客分享的是2020年发表于ECCV上的一篇论文《DeepSFM: Structure From Motion Via Deep Bundle Adjustment》。 论文地址：https://arxiv.org/abs/1912.09697 论文代码：https://github.com/weixk2015/DeepSFM       1 概述   SfM（Structure from motion）是一个深度学习尚未能很好解决的一个基本计算机视觉问题。现有的方法通常都是从ground
2021年ICCV论文Deep Permutation Equivariant Structure from Motion论文阅读笔记
zeeq的博客
12-04 1562
现有的深度方法在立体和多视图立体中产生高精度的三维重建，即，当相机进行内部和外部校准时。然而，在具有深度网络的多视图环境中，同时恢复相机姿态和三维场景结构的挑战仍然很突出。受运动恢复结构（SfM）的投影因子分解和深度矩阵完成技术的启发，我们提出了一种新的网络体系结构，在给定静态场景多幅图像中的一组点轨迹的情况下，通过最小化无监督重投影损失来恢复相机参数和（稀疏）场景结构。我们的网络架构是为了尊重问题的结构而设计的：所寻求的输出与摄像机和场景点的排列相同。值得注意的是，我们的方法不需要摄像机参数或3D点位置的
运动恢复结构（Structure from Motion）
热门推荐
Rouen的专栏
12-11 2万+
（部分内容节选自Sway_2012的blog） 运动恢复结构（Structure from Motion，SfM）的目标是能够利用两个场景或多个场景自动恢复相机运动和场景结构。它是一种自校准的技术能够自动地完成相机追踪与运动匹配。 上面描述了SfM工作的流水线。 1. 2D Feature Tracking （1）提取关键点，用以检测良好的特征：Shi&Tomasi，SIF
structure from motion
Sway_2012的专栏
10-02 1万+
重新看了一遍华盛顿大学的SFM重建的过程，对该过程果然又有新的理解。    文章提出的方法如下：   （1）提取SIFT特征点；   （2）每两幅图像之间进行SIFT特征点进行匹配； 匹配过程中首先采用了KD-TREE的方法对最近邻的特征点进行匹配，然后采用了多视角几何进行限制。值得注意的是多视角的几何限制，在多视角的图像匹配中经常出现（Geometry constriant）。
从无人机影像到3D模型：openMVG处理倾斜摄影数据的技巧
最新发布
gitblog_00641的博客
09-20 715
你是否在使用无人机采集大量影像后，面临三维建模精度低、处理流程复杂或软件成本高昂的问题？本文将系统介绍如何利用开源多视图几何库openMVG（Open Multiple View Geometry）处理倾斜摄影数据，通过优化相机标定、特征匹配和光束平差等关键步骤，实现高精度三维模型重建。读完本文，你将掌握从影像序列到点云模型的完整流程，包括数据预处理技巧、参数调优方法和常见问题解决方案。 ## ...
Paper--3d reconstruction：Open Source Structure-from-Motion for Aerial Video
诺有缸的高飞鸟的博客
05-18 709
目录三维重建系列文章写在前面AbstractIntroduction参考完 三维重建系列文章 三维重建论文阅读：Photo Tourism: Exploring Photo Collections in 3D https://blog.youkuaiyun.com/qq_41102371/article/details/116901177 写在前面 论文Open Source Structure-from-Motion for Aerial Video阅读笔记 下载地址：share_noel/papers/sfm-Op
第四章 使用OpenCV探测来至运动的结构——Chapter 4:Exploring Structure from Motion Using OpenCV
zhazhiqiang2010的专栏
01-15 7879
【原文：http://www.csdn123.com/html/mycsdn20140110/57/57fc0284cb8b01ad9d9565f8a8bf7ec9.html】 仅供参考，还未运行程序，理解部分有误，请参考英文原版。 绿色部分非文章内容，是个人理解。 转载请注明：http://blog.youkuaiyun.com/raby_gyl/article/details/17471617
图形学必备！斯坦福图形学几何处理算法课程1——Surface Reconstruction
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
04-30 903
表面重建，通过扫描设备扫描获得点云，之后重建 下面就是具体的扫描系统，问题是要在两个图片上匹配特征 激光脉冲，适用于远距离大物体， 依赖于测量时间的准确性 目标是从扫描集重建物体 方法一是以一个扫描覆盖大部分的作为anchor，其他所有align这个anchor，缺点是不是总能获得这样好的anchor 把每个scan结...
《论文阅读》DeepSFM: Structure From Motion Via Deep Bundle Adjustment
未知丶的博客
11-29 1088
1.框架构造的方式就是按BA那样进行的设计，加入了光度一致性（目标特征图和转换后的源特征图的一致性）、几何一致性（深度图一致性）和相机约束（初始化一个pose，然后迭代更新）2.一个很有趣的采样方式，可以让它在初始值不太理想的情况下进行空间采样，获得更多值的可能，但其实这种方式应该也只是在局部进行小改动，而且感觉会有点影响时间复杂性。
【论文阅读笔记】语义三维重建CVPR2011：Semantic Structure from Motion
weixin_44991673的博客
02-02 1002
我们尽管已经把研究方向缩小到了SLAM中的前端视觉领域，并且集中在SSLAM上面，可是大千世界仍有无数小世界，每一小世界又万分复杂。在语义SLAM领域有语义帮助SLAM的方向，SLAM帮助语义分析的方向，也有语义与SLAM结合的方向。传感器使用的不同，语义SLAM也有不一样的研究方向，建图的维度也可以把语义SLAM分为二维平面和三维平面。在广泛了解SLAM的发展历史后，我们来深究一下语义SLAM的发展历史。今天分享的文章是我们的第一站，CVPR2011：SSFM
openMVG原理、编译、源码理解、实践
小rivaaaa的博客
07-18 7967
openMVG原理、编译、源码理解、实践1、理论2、实践2.1、源码编译（重点）2.2、其他3、 Work1: 根据tutorial_demo.py理解SFM pipeline(1)、运行tutorial_demo.py：(2)、源码理解1) 、step1: main_SfMInit_ImageListing.cpp2) 、step2: main_ComputeFeatures.cpp3) 、step3: main_MatchingFeatures.cpp4) 、step4: main_GlobalSFM.
python-sfm-scripts:适用于流行的SfM软件包（Bundler，OpenMVG等）的Python动态运动脚本
05-25
python-sfm-scripts 适用于流行的SfM软件包（Bundler，OpenMVG等）的Python动态运动脚本
OpenMVG+OpenMVS运行脚本
02-28
OpenMVG+OpenMVS运行脚本 .
2020-12-17 使用openMVG+PMVS实现视觉三维重建
weixin_44119674的博客
12-17 3174
使用openMVG+PMVS实现视觉三维重建 一、什么是视觉三维重建？ 我们知道，照相机的原理是将一个三维场景投影到二维平面。所谓视觉三维重建，顾名思义就是从已有的二维图像中恢复原始三维场景。 三维重建的原理大致如下： 1）首先，通过多角度拍摄或者从视频中提取得到一组图像序列，将这些图像序列作为三维重建系统的输入（即基于多图像的三维重建）； 2）然后分析多个视角的图像，根据纹理特征提取出稀疏特征点（稀疏点云），通过这些特征点估计相机位置和参数（得到相机内、外参数及位置信息）； 3）在得到相机参数并完成特征点
OpenMVS配置注意事项
renye_lpl的博客
02-01 2841
配置OpenMvs++OpenMvg中额外注意事项 参考OpenMVS配置方法final（存于百度云盘/AR组/） 1.vs2015使用with updat3版本，在安装后，需要保证项目编译器中包含了visual c++，否则cmake在编译的时候会提示找不到编译器 2.QT的安装需要使用5.6.9，因为这个在QT官网可以下载到，需要使用win64版本，不能用x86 3.尽
sfm三维重建源码_OpenMVG源码阅读小记
weixin_39975486的博客
11-22 2535
“读一份好源码，就是和许多智慧的人谈话“。本文记录了笔者学习 openMVG 开源软件的一些初步经验和心得。如果你对计算机视觉和摄影测量有兴趣，需要用到相关技术，这篇文章正好就是你的菜。全文约4500字，含11副图，阅读时间大约13分钟。觉得有用可以转发给身边同学、朋友，如有不同意见欢迎在后台留言与我探讨。整理/撰写： calman 校稿/排版： 迷途兄 测试环境 ： Windows 7 64位 ...
openmvs编译与使用
诺有缸的高飞鸟的博客
02-23 8843
openmvs编译与使用
Structure from Motion综述
qq_29462849的博客
01-11 2536
点击上方“3DCVer”，选择“星标”干货第一时间送达本文由知乎作者Bluefish授权转载，不得擅自二次转载。原文链接：https://zhuanlan.zhihu.com/p/3425...
Structure from Motion
01-04
### 结构从运动（SfM）算法及其在计算机视觉中的应用 #### SfM 技术概述 结构从运动 (Structure from Motion, SfM) 是一种通过分析一系列图像来重建三维场景的技术。该方法利用多视角几何原理，能够从未校准的二维图像序列中恢复相机参数以及场景的三维结构[^1]。 #### 基本流程 SfM 的基本处理过程通常分为以下几个阶段： - **特征提取**：检测并描述每张图片的关键点，常用的有 SIFT 或者 ORB 特征。 - **匹配对应关系**：寻找不同视图间相同位置上的特征点配对，建立图像间的关联性。 - **初始估计**：基于两幅或多幅图像之间的特征点匹配结果计算基础矩阵或本质矩阵，并由此推导出相对姿态变换。 - **全局优化**：采用束调整法(Bundle Adjustment)，最小化重投影误差以获得更精确的姿态和3D坐标。 - **密集重建**：扩展稀疏模型至稠密表面表示形式，比如使用光度一致性约束进行立体匹配或者多视角立体(MVS)。 #### 实现示例 下面给出一段简单的 Python 代码片段用于展示如何构建一个最简化版本的 SfM 流程: ```python import numpy as np from skimage import feature from scipy.spatial.distance import cdist from cv2 import findEssentialMat, recoverPose def extract_features(images): """ 提取图像特征 """ keypoints = [] descriptors = [] for img in images: kp, des = feature.sift.detectAndCompute(img, None) keypoints.append(kp) descriptors.append(des) return keypoints, descriptors def match_features(descs_1, descs_2): """ 匹配两个集合内的特征向量 """ distances = cdist(descs_1, descs_2, 'euclidean') matches_idx = np.argmin(distances, axis=1).reshape(-1, 1) return matches_idx def compute_pose(points1, points2, K): """ 计算摄像机位姿 """ E, _ = findEssentialMat(points1, points2, K) _, R, t, mask = recoverPose(E, points1, points2, K) return R, t, mask.flatten().astype(bool) if __name__ == "__main__": # 加载输入图像列表... # 定义内参矩阵K... kps, descs = extract_features([img1, img2]) matched_points = match_features(descs[0], descs[1]) pts1 = np.array([kps[0][i].pt for i in range(len(matched_points))])[matched_points[:, 0]] pts2 = np.array([kps[1][j].pt for j in range(len(matched_points))])[matched_points[:, 1]] rotation_matrix, translation_vector, valid_matches_mask = compute_pose(pts1, pts2, K) ``` 此段伪代码仅作为概念验证用途，在实际项目开发过程中还需要考虑更多细节问题如鲁棒性的提升、异常情况处理等。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值