3D重建
关注
分享
扫一扫
文章平均质量分 59
海淀摆烂王
自爱沉稳而后爱人
你对一样东西了解的越深，爱的程度就越深
展开
-
A robust three-stage approach to large-scale urban scene recognition(1)
读懂一篇比浏览十篇有用经过导师的指导和自己的反思，发现只是简单的浏览论文是难以真正理解论文的。当读论文难以读懂的时候，需要做以下几件事：1.准确的翻译 2.静下心理解 3.慢慢靠时间（滑稽脸）下面开始正文，不再弄那些蜻蜓点水的东西了。*****************************************************...原创 2018-09-18 11:27:50 · 230 阅读 · 0 评论 -
经典SFM步骤——Lowe2005
网上有很多博文介绍了SFM的过程，但是每个人说的都是自己的理解，想自己真正搞明白还是要自己弄懂每一步。必须要自己把过程写出来才是真的懂了。1.使用SIFT提取特征点，使用k-d tree最近邻算法匹配图像之间的点对注意，由于每幅图像会匹配到不同的其他图像，最后匹配的图像总数是平方级的。2.匹配点对的过程存在误差！引入对极几何，使用基础矩阵F与两幅图像间的约束关系（极线约束）来剔除错误匹...原创 2018-11-07 15:10:37 · 2596 阅读 · 2 评论 -
A robust three-stage approach to large-scale urban scene recognition(3)
我换了一个看论文的思路，这篇文章的标题既然是三阶段，那我就看看到底是哪三个阶段，然后我再分别在这三个阶段中找出每个阶段作者都用了什么方法，改进了哪些方法，就像做英语阅读一样，看题干找细节。第一阶段：用类别对场景进行分割1.使用SFM对原始图像images进行处理：得到相机姿势和重建网格。2.对原图像和得到的重建网格进行分割：得到分割后的“破碎的”图像和网格。3.通过投影来构造图：...原创 2018-11-02 10:51:28 · 303 阅读 · 0 评论 -
权龙论文（2）——Accurate, Scalable and Parallel Structure from Motion
本文解决的问题：解决了大规模图像SFM方法精确性问题，尤其在解决相机定位问题上效果显著。本文主要贡献：1.相机聚类算法：我们将所有相机和相关图像分成簇，并利用这样的公式化来处理后续轨道生成，局部增量SfM和最终束调整，以可扩展和并行的方式进行。2.利用增量和全局SfM实施运动平均方法：我们将局部增量SfM的相对运动应用于全局运动平均框架，并获得比最先进方法更准确和强大的全局相机姿态。...原创 2018-11-09 17:38:00 · 610 阅读 · 1 评论 -
SFM and PMVS实现（Linux）
参考博文：1.https://www.jianshu.com/p/ef3ef6fdf3542.https://blog.youkuaiyun.com/u013358387/article/details/715766603.https://blog.youkuaiyun.com/zouyu1746430162/article/details/78639469转载 2018-11-06 21:57:43 · 1014 阅读 · 0 评论 -
SIFT(3)——算法流程，此部分结束
1.对原图像使用不同参数的高斯函数对图像进行卷积，得到一组Octave；相邻的图像相减得到一组DoG；2.并把第一张Octave下采样重复步骤1；3.使用不同尺度的DoG进行关键点检测；4.在不同的尺度进行关键点方向分配；5.以步骤4中的关键点的主方向为坐标轴方向，并记录一个指定范围内所有像素点的梯度方向（局部图像梯度），形成关键点描述符；6.以一个图像中的关键点描述符去匹配另一个图像中...原创 2018-10-23 11:48:16 · 1418 阅读 · 0 评论 -
SIFT(2)——MATLAB实现SIFT详解
这篇博客主要把SIFT通过MATLAB进行可视化，真正的SIFT算法在C源码里，下一篇论文（如果我能看懂的话）详细讲C源码，也就是下面提到的siftWin32.exe，作者把SIFT给写成.exe了。个别名词解释：key：SIFT算法识别出的每个image中的关键点。首先，执行[image, descriptors, locs] = sift(imageFile)，求出每个key的长度为...原创 2018-10-19 23:47:47 · 18460 阅读 · 18 评论 -
MVS步骤(1)——关键点提取和匹配[SIFT1]
Distinctive Image Features from Scale-Invariant KeypointsAbstract本文提出了一种用于从图像中提取有特点的不变特征的方法，该方法可用于在对象或场景的不同视图之间执行可靠匹配。通过使用快速最近邻居算法将各个特征与来自已知对象的特征数据库匹配，然后进行霍夫变换以识别属于单个对象的聚类，最后通过最小二乘解决方案对一致的姿势参数进行验证。...原创 2018-10-16 12:20:27 · 6993 阅读 · 0 评论 -
SIFT(1)——尺度空间极值检测
SIFT算法有四个步骤：**1.尺度空间极值检测：**计算的第一阶段搜索所有尺度和图像位置。通过使用高斯差分函数来有效地实现识别对于比例和方向不变的潜在兴趣点。**2.关键点定位：**在每个候选位置，都用一个详细的模型来确定位置和比例。基于其稳定性的度量来选择关键点。**3.方向分配：**基于局部图像梯度方向，为每个关键点位置分配一个或多个方向。所有接下来的操作都是在相对于每个特征的指定方向...原创 2018-10-18 10:21:56 · 2485 阅读 · 0 评论 -
三维重建表面的高阶CRF结构分割(1)——[7]Silhouette and stereo fusion for 3D object modeling
**《三维重建表面的高阶CRF结构分割》*的参考文献的第七个:[7]Accurate, dense, and robust multiview stereopsis,里面介绍了MVS方法，里面有一句： compares our algorithm with Hern´ andez Esteban’s method [7], which is one of the best multi-view s...原创 2018-09-27 18:11:17 · 1412 阅读 · 0 评论 -
三维重建表面的高阶CRF结构分割(2)——两个主要步骤
在经过很多篇相关论文的阅读，最后思路终于清晰了。《三维重建表面的高阶CRF结构分割》是用来进行网格分割的，首先你得有个网格，其次你得使用网格：（1）使用MVS重建网格（2）子图重构一、MVS主要步骤：（1）关键点的提取和匹配（主要有两种方式：Harris角点检测算法、sift算子）（2）稀疏点云的建立（SFM）（3）稠密点云的重建（PMVS）（4）表面重建以及纹理映射二、子图重构...原创 2018-10-11 16:13:09 · 588 阅读 · 0 评论 -
A robust three-stage approach to large-scale urban scene recognition(2)——[19]三维重建表面的高阶CRF结构分割
目的：将大规模城市环境的多视图立体重建表面（三角形网格S）分割为structural segments。每个segments对应于由最多二阶的表面单元描述的structural component（如外观，屋顶，圆顶等），该分割用于随后的城市对象建模，矢量化和识别。方法概述：为了克服3D重建城市表面中的高几何和拓扑噪声水平，我们用公式将结构分割表示为高阶条件随机场（CRF）标记问题。它不仅合并...原创 2018-09-20 18:11:51 · 469 阅读 · 0 评论 -
浅显易懂SIFT
致敬LoweSIFT共分为四步：1.尺度空间极值检测：尺度空间是什么鬼？极值又是什么鬼？容我一一道来。尺度空间，说的是，我们要在不同的尺度下来检测，说的是我们在什么地方检测；极值，说的是，我们要检测的是什么，检测的是极值。一句话来说是这样的：我们要在不同尺度的图片上分别检测不同尺度下的极值。所以说，最后我们检测出来的那些极值，对应的是不同尺度下的极值，而这些不同尺度下的极值，经过筛选，最后对应...原创 2018-11-19 20:56:48 · 878 阅读 · 2 评论