Bundler学习总结

在sift匹配处理之后根据匹配关系生成track匹配链，有矛盾的链（同一张图片中有两个特征点）则其中所有包含的特征去除；

 

Bundler需要求解的参数太多，而两相机模型相对容易计算，然后在这个初始的模型上增加相机，（种子重构、生长策略）

主要步骤为：

1.选择稳健的初始匹配点对

       存在很多启发式算法，这里采用的是图片对之间至少需要100个匹配特征，并且

       num(Homography)/ num(Fmarix)的值要尽量小；

       当匹配间的视差太大并且场景不是平面的话（平面遮挡方面没有什么影响）不太适合

 

2.初始化两相机SFM模型

       内参未知（多义性）假设只存在焦距一个未知变量

       求解本质矩阵（脱离内参信息）5点算法求解

 

3.存在与模型连通的图片（track信息），执行下面操作

选出其中对当前重构出来点可见最多的图片

计算这个相机的参数    （直接线性变换DLT）

三角化求解出新的三维点（这张图片引入的还未重构的track）

使用集束调整（Bundler Ajustment）优化模型（相机参数与三维点坐标）

调整相机参数和点坐标，最小化g（重投影误差累积值）

 最小化的理想目标自然是完全契合，这是一个overconstraned最优化问题，自然归结于最小二乘法求解超定线性系统

    猜测初始 然后不停优化迭代直至收敛 （高斯-牛顿算法 改进版 LM算法 林德伯格-马奎特算法）

 

SFM增长速度是图片的四次方（实际使用中似乎没有这么夸张呀？）

 

城市级建模

 

划分子集单独重构，然后融合？（使用同一照片作为主平面，如果主平面C取远点 R取坐标平面应该是可行的，迭代求解出的参数差异并不影响世界坐标系的一致性 但Bundler标定出来的P似乎没有标准主平面的样子）