20、基于OpenCV的增量式SfM评估及葡萄园SLAM系统对比分析

基于OpenCV的增量式SfM评估及葡萄园SLAM系统对比分析

1. 增量式SfM算法描述

增量式SfM有两种方法：
- 迭代两视图SfM算法 ：对多个2D视图迭代执行两视图SfM算法。先计算前两个视图的内外参数，再用投影矩阵获取这两个视图的3D点，得到初始3D点估计后进行三角测量。但该方法的3D重建是按比例的，运动的测量单位是任意的，扩展到多视图时，每对相机有自己的尺度单位。
- 基于PnP算法的多视图重建 ：使用Perspective - n - Point (PnP)算法解决了第一种方法的尺度问题，但有时PnP算法不能给出合理的投影矩阵，因此与更鲁棒的RANSAC算法结合使用。得到第一对图像的投影矩阵后进行三角测量获取初始3D点，计算基线结构，用新帧的2D点对应的3D点计算下一个视图的投影矩阵，再进行三角测量重建3D模型，该过程迭代进行。此方法需要记录3D点与2D点的对应关系。

本文提出的增量式SfM方法基于鲁棒的PnP RANSAC模块，其流程图涵盖四个阶段：
1. 提取EXIF数据 ：解析每个图像头部的EXIF信息，获取相机焦距，用于构建内部校准矩阵，并通过束调整进一步优化。
2. 寻找2D对应特征点 ：检测所有图像中特征点的2D位置，使用RANSAC估计所有可能图像对中的对应点。具体算法如下：
- 输入：n个RGB图像集合
- 对于每个第i个图像：
- 应用鲁棒特征检测器。
- 对于每对第i和第j个图像：
- 匹配特征点。
- 计算基本矩阵