vs2019+openmvg2.0+openmvs2.0+windows详细安装编译

3  编译配置

3.1  环境和工具

      - Win10  64bit

      - VS 2019 社区版 (地址: Download Visual Studio Tools - Install Free for Windows, Mac, Linux)

      - CMake 解压版 (地址: Download | CMake)

3.2  文件准备

      - OpenMVG，地址：https://github.com/openMVG/openMVG/releases

         注意：上述地址下载的压缩包，最终编译有时会报错，不如在 PowerShell 中 Git 下载的稳定                                  

1	$  git clone --recursive https://github.com/openMVG/openMVG.git

      - 依赖项，下载 glfw，osi_clp 和 cereal，解压后放在 openMVG\src\dependencies 中，此目录内已有对应文件夹，但里面的内容是空的

          glfw 下载地址

          cereal 下载地址

          osi_clp，可直接下载 OpenMVG 提供的地址： GitHub - openMVG-thirdparty/osi_clp: Osi (Open Solver Interface) and Clp (Coin-or linear programming) library from COIN-OR.

                        或者利用上述链接下载的 CMakeLists.txt 文件，再单独下载文件 Osi/Clp/CoinUtils，放在 osi_clp 文件夹中

                         https://github.com/coin-or/Osi/tags；https://github.com/coin-or/Clp/tags；  https://github.com/coin-or/CoinUtils/tags

openmvs安装

*OpenMVS* relies on a number of open source libraries, some of which are optional. For details on customizing the build process, see the compilation instructions.

* [Eigen](http://eigen.tuxfamily.org) version 3.4 or higher

* [OpenCV](http://opencv.org) version 2.4 or higher

* [Ceres](http://ceres-solver.org) version 1.10 or higher

* [CGAL](http://www.cgal.org) version 4.2 or higher

* [Boost](http://www.boost.org) version 1.56 or higher

* [VCG](http://vcg.isti.cnr.it/vcglib)

* [GLFW](An OpenGL library | GLFW)

CMakeLists.txt加上

SET(Boost_DEBUG ON)

SET(BOOST_ROOT "D:\\workspace\\Study\\thirdPart\\boost_1_76_0\\vc142")

SET(BOOST_LIBRARYDIR "D:\\workspace\\Study\\thirdPart\\boost_1_76_0\\vc142\\lib")

CGAL

Release CGAL-5.3 · CGAL/cgal · GitHub

GMP and MPFR libraries, for Windows 64bits

GMP

在上面的下载界面下载GMP and MPFR libraries, for Windows 64bits

VCG

Visual Computing Group @ Harvard · GitHub

下载编译

下载vcpkg

.\bootstrap-vcpkg.bat

vcpkg integrate install

vcpkg install zlib:x64-windows boost:x64-windows eigen3:x64-windows ceres:x64-windows opencv:x64-windows cgal:x64-windows glew:x64-windows glfw3:x64-windows

编译问题

严重性	代码	说明	项目	文件	行	禁止显示状态
错误	LNK1104	无法打开文件“libboost_zlib-vc142-mt-gd-x64-1_76.lib”	RefineMesh	D:\workspace\Study\OpenMVG\openMVS-2.0.1\build\apps\RefineMesh\LINK	1

安装pcl1.12.0，里面有

严重性	代码	说明	项目	文件	行	禁止显示状态
错误	LNK2001	无法解析的外部符号 "public: static void __cdecl boost::iostreams::zlib_error::check(int)" (?check@zlib_error@iostreams@boost@@SAXH@Z)	DensifyPointCloud	D:\workspace\Study\OpenMVG\openMVS-2.0.1\build\apps\DensifyPointCloud\MVS.lib(Scene.obj)	1

严重性	代码	说明	项目	文件	行	禁止显示状态
错误	LNK2001	无法解析的外部符号 "int const boost::iostreams::zlib::no_flush" (?no_flush@zlib@iostreams@boost@@3HB)	DensifyPointCloud	D:\workspace\Study\OpenMVG\openMVS-2.0.1\build\apps\DensifyPointCloud\MVS.lib(Scene.obj)	1
严重性	代码	说明	项目	文件	行	禁止显示状态
错误	LNK2019	无法解析的外部符号 "protected: int __cdecl boost::iostreams::detail::zstd_base::inflate(int)" (?inflate@zstd_base@detail@iostreams@boost@@IEAAHH@Z)，函数 "public: bool __cdecl boost::iostreams::detail::zstd_decompressor_impl >::filter(char const * &,char const *,char * &,char *,bool)" (?filter@?$zstd_decompressor_impl@V?$allocator@D@std@@@detail@iostreams@boost@@QEAA_NAEAPEBDPEBDAEAPEADPEAD_N@Z) 中引用了该符号	DensifyPointCloud	D:\workspace\Study\OpenMVG\openMVS-2.0.1\build\apps\DensifyPointCloud\MVS.lib(DepthMap.obj)	1

解决方法：

MVS项目中:Types.ini

#if BOOST_VERSION >= 107800//修改2022  原来是106900

OpenMVS中DensifyPointCloud支持jepg

头文件目录

D:\workspace\Study\OpenMVG\openMVG-2.0\src\third_party\jpeg

D:\workspace\Study\OpenMVG\openMVG-2.0\src\build\third_party\jpeg\config

库文件

D:\workspace\Study\OpenMVG\openMVG-2.0\src\build\Windows-AMD64-Release\Release\openMVG_jpeg.lib

使用方法

所有命令

python tutorial_demo.py

python SfM_SequentialPipeline.py /xx/dog_pic /xx/dog_result

python SfM_GlobalPipeline.py /xx/pig_pic2 /xx/pig_result2

openMVG_main_openMVG2openMVS.exe -i tutorial_out\reconstruction_global\sfm_data.bin -o tutorial_out\reconstruction_global\scene.mvs

copy  tutorial_out\reconstruction_global\scene.mvs scene.mvs

openMVG_main_openMVG2openMVS.exe -i tutorial_out\reconstruction_sequential\sfm_data.bin -o tutorial_out\reconstruction_sequential\scene.mvs

copy  tutorial_out\reconstruction_sequential\scene.mvs scene.mvs

DensifyPointCloud.exe scene.mvs

ReconstructMesh.exe scene_dense.mvs

RefineMesh.exe scene_dense_mesh.mvs

TextureMesh.exe scene_dense_mesh_refine.mvs

Viewer.exe scene.mvs

Viewer.exe scene_dense.mvs

Viewer.exe scene_dense_mesh.mvs

Viewer.exe scene_dense_mesh_refine.mvs

Viewer.exe scene_dense_mesh_refine_texture.mvs

 三维重建  OpenMVG  OpenMVS  

这篇博客只是记录怎样使用OpenMVG和OpenMVS这两个开源工具完成一个三维重建的pipeline，不涉及开发。

为了简便，这里并没有用源码编译软件，而是直接下载的release版本。

OpenMVG是计算机视觉领域处理多视几何的开源库。

openMVG能够：

1. 准确计算多视角立体几何模型；
2. 提供SfM（Structure from Motion）重建需要的特征提取和匹配方法；
3. 完整的SfM工具链；

OpenMVG：https://github.com/openMVG/openMVG/releases。

我直接下载了最新版本，目前的V1.6。解压之后如图

文件夹下有众多的exe文件。

OpenMVS是计算机视觉领域另一个开源算法库，着重解决多视点立体重建，如稠密点云重建，表面重建，表面细化，纹理映射等。

OpenMVS：https://github.com/cdcseacave/openMVS/releases。

我下载的最新版是V1.1.1，解压之后如图

也有很多exe文件和动态库。

OpenMVG+OpenMVS恰好可以完成一个三维重建的pipeline。

一、OPENMVG

解压后的OpenMVG中有以下三个文件

SfM_GlobalPipeline.py是全局式SfM算法，SfM_SequentialPipeline.py是增量式SfM算法。简单一点就直接运行tutorial_demo.py脚本。默认使用的是ImageDataset_SceauxCastle里的图片，如果没有会自动从git上下载。

里面的图片是这样的

有一个K.txt文件是相机的内参，demo里并没有用到

Demo里用到是sensor_width_database下的sensor_width_camera_database.txt里面有大量厂商的相机内参数据。

如果照相机的型号不在这个列表里，（没看代码但猜测）应该是从图片的exif信息也可以推测出。但图片没有exif信息的话，就要自己提供这个K.txt文件了。

仿照demo里的文件组织，使用自己的图片进行三维重建，在同级目录下新建自己的文件夹milk，milk下新建images文件夹，把所有图片放到images文件夹下。

修改tutorial_demo.py 23行的ImageDataset_SceauxCastle为milk。

可以看一下tutorial_demo.py，

1. print (" Intrinsics analysis")
2. pIntrisics = subprocess.Popen( [os.path.join(OPENMVG_SFM_BIN, "openMVG_main_SfMInit_ImageListing"),  "-i", input_dir, "-o", matches_dir, "-d", camera_file_params, "-c", "3"] )
3. pIntrisics.wait()
4.  
5. print ("2. Compute features")
6. pFeatures = subprocess.Popen( [os.path.join(OPENMVG_SFM_BIN, "openMVG_main_ComputeFeatures"),  "-i", matches_dir+"/sfm_data.json", "-o", matches_dir, "-m", "SIFT", "-f" , "1"] )
7. pFeatures.wait()
8.  
9. print ("2. Compute matches")
10. pMatches = subprocess.Popen( [os.path.join(OPENMVG_SFM_BIN, "openMVG_main_ComputeMatches"),  "-i", matches_dir+"/sfm_data.json", "-o", matches_dir, "-f", "1", "-n", "ANNL2"] )
11. pMatches.wait()
12.  
13. reconstruction_dir = os.path.join(output_dir,"reconstruction_sequential")
14. print ("3. Do Incremental/Sequential reconstruction") #set manually the initial pair to avoid the prompt question
15. pRecons = subprocess.Popen( [os.path.join(OPENMVG_SFM_BIN, "openMVG_main_IncrementalSfM"),  "-i", matches_dir+"/sfm_data.json", "-m", matches_dir, "-o", reconstruction_dir] )
16. pRecons.wait()
17.  
18. print ("5. Colorize Structure")
19. pRecons = subprocess.Popen( [os.path.join(OPENMVG_SFM_BIN, "openMVG_main_ComputeSfM_DataColor"),  "-i", reconstruction_dir+"/sfm_data.bin", "-o", os.path.join(reconstruction_dir,"colorized.ply")] )
20. pRecons.wait()
21.  
22. print ("4. Structure from Known Poses (robust triangulation)")
23. pRecons = subprocess.Popen( [os.path.join(OPENMVG_SFM_BIN, "openMVG_main_ComputeStructureFromKnownPoses"),  "-i", reconstruction_dir+"/sfm_data.bin", "-m", matches_dir, "-o", os.path.join(reconstruction_dir,"robust.ply")] )
24. pRecons.wait()

其实就是调用了OpenMVG下的几个exe文件，完成重建的几个步骤。自己可以单独调用，一步步看中间结果，这里为了简便就直接运行脚本了。

执行脚本

python tutorial_demo.py

根据图片的大小和特征需等待数分钟。

完成。产生了一个tutorial_out文件夹，里面有三个子文件夹。

其中matches文件夹下是关于特征和匹配的一些文件，

而reconstruction_global和reconstruction_sequential是两种SfM方法产生的结果。

以reconstruction_global为例，

打开SfMReconstruction_Report.html，可以看到SfM重建的报告，

这里面还有一个最重要的文件sfm_data.bin，就是重建的数据。

在进行OpenMVS步骤之前还需要将上一步生成的sfm_data.bin转化成mvs格式。

OpenMVG下有一个可执行文件openMVG_main_openMVG2openMVS.exe可以完成这个功能。

openMVG_main_openMVG2openMVS.exe -i tutorial_out\reconstruction_global\sfm_data.bin -o tutorial_out\reconstruction_global\scene.mvs

这一步会产生两个输出，一个就是scene.mvs这个文件，另一个就是一个undistorted_images文件夹，里面是经过畸变校正的图像。

至此，OpenMVG的使命完成。

步骤分解：

1、首先下载该数据集，将文件夹解压到SfM目录下的dataset文件夹（自己建的，方便管理数据集）中，进入eglise文件夹，把图片放入image文件夹，新建result文件夹

< image >：放置照片的文件夹；

< result >：输出的文件夹；

image存储输入的图片，result存储输出的数据文件

2、读入图像，产生数据文件，SFM文件夹下，终端输入：

openMVG_main_SfMInit_ImageListing -i dataset/eglise/image -o dataset/eglise/result/matches -d /home/lianqi/openMVG/src/openMVG/exif/sensor_width_database/sensor_width_camera_database.txt

1

执行成功后在matches文件夹产生sfm_data.json文件

注意！！！

“sensor_width_camera_database.txt” 是openMVG库中自带的，存储各大主流相机型号和参数的文件， “Nikon D60;23.6” 就写在该文件中。

" -d /home/lianqi/openMVG/src/openMVG/exif/sensor_width_database/sensor_width_camera_database.txt"

这条命令必须要写上，这是导入相机参数的，不然会报错

3、ComputeFeatures

openMVG_main_ComputeFeatures -i dataset/eglise/result/matches/sfm_data.json -o dataset/eglise/result/matches

1

4：ComputeMatches

openMVG_main_ComputeMatches -i dataset/eglise/result/matches/sfm_data.json -o dataset/eglise/result/matches

1

5：IncrementalSfM

openMVG_main_IncrementalSfM -i dataset/eglise/result/matches/sfm_data.json -o dataset/eglise/result/out_Incremental_Reconstruction -m dataset/eglise/result/matches

1

注：若这条命令或之后的命令出现没有找到图片或无法加载图片，例如：

error: failed reloading image ‘/home/lianqi/openMVG_Build/software/SfM/dataset/eglise/result/out_Incremental_Reconstruction/undistorted_images/DSC_0430.JPG’

则说明进入的文件夹太深了，图片并不在这层文件夹内，可以cd . .两次再执行

6：ExportUndistortedImages

openMVG_main_ExportUndistortedImages -i dataset/eglise/result/matches/sfm_data.json -o dataset/eglise/result/out_Incremental_Reconstruction/undistortedimage

1

7：数据格式转换

openMVG_main_openMVG2openMVS -i dataset/eglise/result/out_Incremental_Reconstruction/sfm_data.bin -o dataset/eglise/result/out_Incremental_Reconstruction/scene.mvs

1

sence.mvs即为openMVG生成的稀疏点云文件

二、OPENMVS

将OpenMVG中生成的scene.mvs和undistorted_images文件夹拷贝到OpenMVS目录下。

先用Viewer查看一下稀疏点云，

Viewer.exe scene.mvs

生成稠密点云，

DensifyPointCloud.exe scene.mvs

这个过程比较耗时，我这十几张图片的场景会花费数分钟。

又生成了一系列文件。

查看稠密点云。

Viewer.exe scene_dense.mvs

建立粗网格，

ReconstructMesh.exe scene_dense.mvs

查看粗网格，

Viewer.exe scene_dense_mesh.mvs

生成精细网格（可选），相当耗时。

RefineMesh.exe scene_dense_mesh.mvs

查看结果，

Viewer.exe scene_dense_mesh_refine.mvs

建立混合网格，

TextureMesh.exe scene_dense_mesh_refine.mvs

查看最终结果，

Viewer.exe scene_dense_mesh_refine_texture.mvs

可以看到重建的结果不是很完美，对图像的要求还是很高的。如果缺乏纹理，视角也不多变的话，大概率会重建失败。

数据说明：

SfM_Data是一个数据容器，储存在sfm_data.bin中，它包括（大概也就是二进制编码的结构）：Views - 图像、Intrinsics – 相机内参数、Poses – 相机外参数、Landmarks – 三维点和它们的二维图像对应点。

这个算法是需要自己相机的参数的，参数文件为“sensor_width_camera_database.txt”，这个在后续过程中也会提到，主流相机都会在这个文件中写，若其中没有自己的相机型号和参数，可通过以下方法获取（个人认为用焦距来代替参数是不准确的，所以仅在txt中没有该相机的时候用来代替）：

II 手机的话下载AID64这个应用，这里面<设备>这项，查看焦距即可

例如我的手机是华为p20pro，相机型号为CLT-A10，焦距为5.58，则在txt中输入“CLT-A10;5.58”