基于多视角几何的稀疏重建-Colmap

本文梳理下笔者对Colmap的各个算法模块的理解,不涉及具体细节。如有错误,欢迎评论指出。


介绍

Colmap算法的输入为一组图像,输出为相机姿态及稀疏的点云。如图1所示,算法主要分成对应点搜索和增量重建两大模块。

图1.Colmap算法的整体框架

图1.Colmap算法的整体框架

一.对应点搜索

输入为一组图片,输出为场景图(scene graph)。

1. 特征提取

在图像上提取sift特征,包含特征点检测和特征点描述。

2. 特征匹配

使用提取的特征点描述子进行匹配,有暴力匹配、顺序匹配、空间匹配、传递性匹配(比如a-b是一对图像,b-c是一对图形,那么a-c也是一对图像)、自定义匹配等,得到一组包含重叠场景的潜在图像对及它们之间的点对应关系。注:这里会构建对应点的轨迹(tracks),即场景中同一个点在多张图像之间的对应关系。

图2.track的含义

图2.track的含义

3. 几何验证

利用几何一致性过滤错误匹配,一种是通过估计单应性变换和对极几何(基础矩阵+本质矩

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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