lhanchao的博客

通过前面的介绍，已经获得了相机的参数，我们可以利用这些参数使用基于面片的三维多视角立体视觉算法（PMVS）重建出稠密的点云。下面详细介绍一下PMVS算法。一、基本概念介绍1、面片（patch）面片pp是一个近似的正切与重建物体表面的一个小矩形，他的一边平行于参考相机的x轴。对于一个面片pp，他的几何特征如下： 中心点：c(p)c(p)； 单位法向：n(p)n(p)，该向量指向相机的光心； 面片

这里我主要写了用Opencv 实现Sift特征提取与匹配的代码，如果想看Sift特征的详细描述，请看原文《Distinctive Image Features》或者我最近又写了三篇关于SIFT算法的详细描述 SIFT算法详解（1）综述与尺度空间检测 SIFT算法详解（2）极值点的精确定位与特征点方向的计算 SIFT算法详解（3）特征点描述符的生成 这里面也有我参考的一些资源下面是我的代码：

离散点云的点之间是没有拓扑结构的，因此为了找到它的几何属性，可以找到各点的邻域结构。对于采样点pi∈Pp_i \in P定义其邻域NkpiN_{p_i}^k为采样点pip_i的最近的kk个采样点组成的集合，即K-nearest neighbors。 那么寻找K-nearest neighbours的方法主要由以下三种： * 八叉树法 * 空间网格法 * k-d树法

最近一直在看的三维重建的东西，拿着SIFT-GPU + Bundler + PMVS已经可以重建出稠密的三维点云了，但是怎么用三维点云重建出真正的三维模型还是没有研究过。在网上搜索方法发现meshlab可以根据点云重建出三维模型，这里就记录一下。因为都是用别人的东西，我这里就直接用visualSFM建立出稠密的三维点云，再使用meshlab建立三维模型。一、VisualSFM的使用方法vi

SIFT-GPU是一个高效的进行SIFT特征提取和匹配的工具，是目前我用过的速度最快的工具。网址如下：http://www.cs.unc.edu/~ccwu/siftgpu/#lowesift 我在用SIFT-GPU进行SIFT特征提取的过程中，发现运行的速度比较慢，通过对运行的代码的时间分析，发现主要元凶是保存SIFT特征的函数SaveSIFT占用了大量的时间（包括匹配的时间，save的时间大约

最近在看三维重建的东西，把看到的东西总结一下。一、外极几何已知两个摄像头的光心OO和O′O'，PP为空间中的一点，pp和p′p'是点PP在两个摄像头成的像中的投影。 平面OO′POO'P称为外极平面，显然pp和p′p'是OPOP和OP′OP'上的，即该5点共面。外极平面OO′POO'P与两个相机的视平面相交于线ll和l′l'，这两条直线称为外极线。其中ll是与p′p'相关的外极线，l′l'是与pp

一、针孔成像模型涉及到的坐标系由于相机的参数总数相对于某种光学模型而言的，这里用到的比较广泛的光学模型就是小孔成像的模型，下面针对小孔成像的光学模型涉及到的坐标系一一介绍。1、世界坐标系世界坐标系即为三维空间中物体的坐标，用(Xw,Yw,Zw)(X_w,Y_w,Z_w)表示，如下图所示： 2、摄像机坐标系摄像机坐标系用(Xc,Yc,Zc)(X_c,Y_c,Z_c)表示，XcX_c,YcY_