Structure From Motion 笔记

期末的大作业使用OpenMVG库进行三维重建，笔记如下：

整体过程：
1. 对多张图片提取特征点(SIFT SURF)
2. 匹配特征点，使用RANSAC算法消除干扰
3. 对于可匹配特征点使用矩阵优化求解库(ceres-solver Osi-Clp SoPlex GLPK)求解摄像机矩阵和位置矩阵(Fundamental Matrix & Essential Matrix)，推算出每个摄像机位置和特征点位置

4.应用MVS(Multiple View Stereo-vision)库建立三维的网格Mesh，
如PMVS稠密点云

5.将二维图片纹理映射至三维场景，如MVS推荐的FSSR(Floating Scale Surface Reconstruction)库或MVS-texturing
而CMPMVS库(非开源)支持依次建立网格和纹理

---

针对PMVS，openMVG提供了导出方法

openMVG_main_openMVG2PMVS -i Dataset/outReconstruction/SfM_Output/ -o Dataset/outReconstruction/SfM_Output/pmvs Dataset/outReconstruction/SfM_Output/PMVS/ pmvs_options.txt

针对CMPMVS，openMVG提供了导出方法

openMVG_main_openMVG2CMPMVS -i Dataset/outReconstruction/SfM_Output/ -o Dataset/outReconstruction/SfM_Output/

5.选用某种格式保存模型及纹理。使用查看器或游戏引擎进行显示。

---

OpenMVG按照以下步骤进行SFM重建：

Image listing

openMVG_main_SfMInit_ImageListing

Image description computation

openMVG_main_ComputeFeatures

Corresponding images and correspondences computation

openMVG_main_ComputeMatches

SfM solving (2 methods)

openMVG_main_IncrementalSfM

openMVG_main_GlobalSfM

Optional further processing

openMVG_main_ComputeSfM_DataColor

openMVG_main_ComputeStructureFromKnownPoses

openMVG_main_ExportUndistortedImages

Optional further processing (3rd party)

Multiple View Stereovision

上述步骤被整合在SfM_GlobalPipeline.py脚本中

---

Polycode 游戏引擎调用了assimp库以进行3D模型的导入和导出，该库提供了可在windows下使用的3D模型查看器open3mod
Polycode的模型格式为.mesh，与OGRE一致。MVE库和FSSR库的导出格式为.ply，Polycode提供了转换工具polyimport

---

可能改进的地方
1. 提取特征点的算法可以与高层相关。即先用通用特征点算法提取后估算大致对应关系，然后使特征点的有效范围更大，进行线段或纹理捕捉，提高精度
2. RANSAC后针对特征点稀疏的地方，降低阈值再次提取
3. 非线性优化方法，噪声鲁棒性

---

OpenMVG库依赖于：

OPENEXIF        读取JPEG EXIF信息头Eigen           矩阵和向量运算库flann           处理在高维空间的最邻近搜索lemon           图和网络数据结构及优化算法progress        显示进度条CppUnitLite     单元测试 htmlDoc         文档生成

---

此外，MVE是一个较为全面的库，包办了SFM MVS FSSR功能。
文档在这里
这里 有很多3D原始素材