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

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

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