SfM多视图三维点云重建--【VS2015+OpenCV3.4+PCL1.8】

难点

在完成两视图三维重建之后，接下来就是进行多视图重建。多视图重建的难点在于如何确定第 i i i( i i i>2)个相机到世界坐标系的位姿变换矩阵。

两视图重建时，是将第一个相机所在的坐标系视为世界坐标系，并计算第二个相机相对于第一个相机的位姿变换矩阵。但这种方法并不能用在多视图重建中，即不能将第 i i i( i i i>2)个视图依次与第一个视图进行特征点匹配，并根据匹配的特征点进行双目重建，因为随着帧数增加，当前帧与第一帧之间可能无法找到足够的匹配特征点；也不能采取1与2、2与3、3与4这样依次两两视图重建的方式，因为如此两视图重建得出的是 i + 1 i+1 i+1帧与第 i i i帧的相对位姿，且丢失了 t t t的尺度信息，无法通过依次连乘转到第1帧代表的世界坐标系下。

可参考：OpenCV实现SfM（三）：多目三维重建

解决方法

其实这就是所谓的PnP问题了，“PnP是求解3D到2D点对运动的方法，它描述了在已知n个3D空间点以及它们的投影位置时，如何估计相机所在的位姿”。而Opencv中提供了相关的函数solvePnP及solvePnPRansac可直接使用。已知的3D空间点的坐标是世界坐标系下的坐标，因此使用solvePnP获得的相机位置也是在世界坐标系下位置，即第 i i i个相机到第一个相机的变换矩阵，在此基础上就可以使用三角法进行三维重建了。

本文采用增量SfM方式进行多视图三维重建

代码

环境：Win10+VS2015+OpenCV3.4+PCL1.8

#include <iostream>
#include <string>
#include <opencv2/opencv.hpp>#include <opencv2/features2d/features2d.hpp>
#include <opencv2/xfeatures2d/nonfree.hpp>#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>using namespace std;
using namespace cv;
using namespace pcl;
using namespace cv::xfeatures2d;// 提取所有图像的特征点 及 特征点处的RGB
void extract_features(vector<string>& image_names, vector<vector<KeyPoint>>& keypoints_for_all, vector<Mat>& descriptor_for_all, vector<vector<Vec3b>>& colors_for_all);
// ratio & symmetry test
void ratioTest(vector<vector<DMatch>> &matches, vector<DMatch> &goodMatches);
void symmetryTest(const vector<DMatch>& matches1, const vector<DMatch>& matches2, vector<DMatch>& symMatches);// 匹配所有特征点
void match_features(vector<Mat>& descriptor_for_all, vector<vector<DMatch>>& matches_for_all);
// 由匹配对提取特征点对
void get_matched_points(vector<KeyPoint> keypoints1,vector<KeyPoint> keypoints2,vector<DMatch> goodMatches,vector<Point2f>& points1,vector<Point2f>& points2);
// 获取匹配点的RGB
void get_matched_colors(vector<Vec3b>& color1, vector<Vec3b>& color2, vector<DMatch> matches, vector<Vec3b>& out_c1, vector<Vec3b>& out_c2);// 剔除p1中mask值为0的元素
void maskout_points(vector<Point2f>& p1, Mat& mask);
void maskout_colors(vector<Vec3b>& p1, Mat& mask);// 重建前2张图片
void reconstruct_first2imgs(Mat K, vector<vector<KeyPoint>>& key_points_for_all, vector<vector<Vec3b>>& colors_for_all, vector<vector<DMatch>>& matches_for_all, vector<Point3f>& structure, vector<vector<int>>& correspond_struct_idx, vector<Vec3b>& colors, vector<Mat>& rotations, vector<Mat>& translations);// 三维重建
// 前两张图片重建
void reconstruct(Mat& K, vector<Point2f>& points1, vector<Point2f>& points2, Mat& R, Mat& t, Mat& mask, vector<Point3f>& points3D);
// 后续图片重建
void reconstruct(Mat& K, Mat& R1, Mat& T1, Mat& R2, Mat& T2, vector<Point2f>& points1, vector<Point2f>& points2, vector<Point3f>& points3D);// 获得三维点与对应的像素点
void get_objpoints_and_imgpoints(vector<DMatch>& matches, vector<int>& struct_indices, vector<Point3f>& structure, vector<KeyPoint>& key_points, vector<Point3f>& object_points, vector<Point2f>& image_points);// 点云融合
void fusion_pointscloud(vector<DMatch>& matches, vector<int>& struct_indices, vector<int>& next_struct_indices, vector<Point3f>& structure, vector<Point3f>& next_structure, vector<Vec3b>& colors, vector<Vec3b>& next_colors);int main(int argc, char* argv[])
{vector<string> img_names;img_names.push_back(".\\images\\000.png");img_names.push_back(".\\images\\001.png");img_names.push_back(".\\images\\002.png");img_names.push_back(".\\images\\003.png");img_names.push_back(".\\images\\004.png");img_names.push_back(".\\images\\005.png");//img_names.push_back(".\\images\\006.png");//img_names.push_back(".\\images\\007.png");//img_names.push_back(".\\images\\008.png");//img_names.push_back(".\\images\\009.png");Mat K = (Mat_<double>(3, 3) << 2759.48, 0, 1520.69, 0, 2764.16, 1006.81, 0, 0, 1); // Fountain的内参数矩阵vector<vector<KeyPoint>> key_points_for_all;vector<Mat> descriptor_for_all;vector<vector<Vec3b>> colors_for_all; // 以图片为一个vector单元，存放所有特征点的RGB，防止混淆vector<vector<DMatch>> matches_for_all;// 提取所有图像的特征点extract_features(img_names, key_points_for_all, descriptor_for_all, colors_for_all);// 对所有图像进行顺次的特征匹配match_features(descriptor_for_all, matches_for_all);// 重建前两张图片vector<Point3f> points3D;  // 存放重建后所有三维点vector<vector<int>> correspond_struct_idx; // 若第i副图像中第j特征点对应位置的值是N，则代表该特征点对应的是重建后的第N个三维点vector<Vec3b> colors;     // 存放重建后所有三维点的RGB（作为最终重建结果，不需要以图片为单元分隔，）vector<Mat> rotations;        // 所有相机相对第一个相机的旋转矩阵vector<Mat> translations;  // 所有相机相对第一个相机的平移矩阵cout << "key_points_for_all.size() = " << key_points_for_all.size() << endl;cout << "matches_for_all.size() = " << matches_for_all.size() << endl;reconstruct_first2imgs(K,key_points_for_all,colors_for_all,matches_for_all,points3D,correspond_struct_idx,colors,rotations,translations);// 增量方式重建剩余的图像for (int i = 1; i < matches_for_all.size(); ++i){vector<Point3f> object_points;vector<Point2f> image_points;Mat r, R, T;// 获取第i副图像中匹配点对应的三维点，以及在第i+1副图像中对应的像素点get_objpoints_and_imgpoints(matches_for_all[i], correspond_struct_idx[i],points3D,key_points_for_all[i + 1],object_points,image_points);// 求解变换矩阵：空间中的点与图像中的点的对应关系，即可求解相机在空间中的位置solvePnPRansac(object_points, image_points, K, noArray(), r, T);// 将旋转向量转换为旋转矩阵Rodrigues(r, R);// 保存变换矩阵rotations.push_back(R);translations.push_back(T);// 根据之前求得的R, T进行三维重建vector<Point2f> p1, p2;vector<Vec3b> c1, c2;get_matched_points(key_points_for_all[i], key_points_for_all[i + 1], matches_for_all[i], p1, p2);get_matched_colors(colors_for_all[i], colors_for_all[i + 1], matches_for_all[i], c1, c2);vector<Point3f> next_points3D;reconstruct(K, rotations[i], translations[i], R, T, p1, p2, next_points3D);//将新的重建结果与之前的融合fusion_pointscloud(matches_for_all[i],correspond_struct_idx[i],correspond_struct_idx[i + 1],points3D,next_points3D,colors,c1);cout << "processing " << i - 1 << "-" << i << endl;}// PCL可视化PointCloud<PointXYZRGB>::Ptr cloud(new PointCloud<PointXYZRGB>);boost::shared_ptr<visualization::PCLVisualizer> viewer(new visualization::PCLVisualizer("3D viewer")); // 实例化PCLVisualizer对象，窗口命名为3D viewerfor (size_t i = 0; i < points3D.size(); i++){PointXYZRGB p;p.x = points3D[i].x;p.y = points3D[i].y;p.z = points3D[i].z;p.b = colors[i][0];p.g = colors[i][1];p.r = colors[i][2];cloud->points.push_back(p);}viewer->setBackgroundColor(0, 0, 0); // 设置背景颜色// 在相机处添加坐标系Eigen::Matrix4f transformationMatrix;Eigen::Affine3f postion;for (int i = 0; i<rotations.size(); i++){transformationMatrix <<rotations[i].at<double>(0, 0), rotations[i].at<double>(0, 1), rotations[i].at<double>(0, 2), translations[i].at<double>(0, 0),rotations[i].at<double>(1, 0), rotations[i].at<double>(1, 1), rotations[i].at<double>(1, 2), translations[i].at<double>(1, 0),rotations[i].at<double>(2, 0), rotations[i].at<double>(2, 1), rotations[i].at<double>(2, 2), translations[i].at<double>(2, 0),0, 0, 0, 1;postion.matrix() = transformationMatrix.inverse();viewer->addCoordinateSystem(0.3, postion);}viewer->addPointCloud<PointXYZRGB>(cloud, "sample cloud"); viewer->setPointCloudRenderingProperties(visualization::PCL_VISUALIZER_OPACITY, 2, "sample cloud");// 设置点云显示属性，while (!viewer->wasStopped()) { viewer->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(1000));}return 0;
}// 提取所有图像的特征点 及 特征点处的RGB
void extract_features(vector<string>& image_names,vector<vector<KeyPoint>>& keypoints_for_all,vector<Mat>& descriptor_for_all,vector<vector<Vec3b>>& colors_for_all)
{keypoints_for_all.clear();descriptor_for_all.clear();Mat image;Ptr<Feature2D> detector = xfeatures2d::SIFT::create(0, 3, 0.04, 10);// SIFT提取特征点for (vector<string>::const_iterator it = image_names.begin(); it != image_names.end(); ++it){image = imread(*it);if (image.empty()){cout << "ERROR! NO IMAGE LOADED!" << endl;continue;}cout << "Extracting features: " << *it << endl;vector<KeyPoint> keypoints; // 关键点Mat descriptors;        // 描述符detector->detectAndCompute(image, noArray(), keypoints, descriptors);// 特征点过少，则排除该图像if (keypoints.size() <= 10)continue;keypoints_for_all.push_back(keypoints);descriptor_for_all.push_back(descriptors);// 提取特征点处RGB值vector<Vec3b> colors(keypoints.size());for (size_t i = 0; i < keypoints.size(); i++){Point2f& p = keypoints[i].pt;if (p.x <= image.cols && p.y <= image.rows)colors[i] = image.at<Vec3b>(p.y, p.x);}colors_for_all.push_back(colors);}
}
// 消除误匹配：比率检测
void ratioTest(vector<vector<DMatch>> &matches, vector<DMatch> &goodMatches)
{for (vector<vector<DMatch>>::iterator matchIterator = matches.begin(); matchIterator != matches.end(); ++matchIterator)if (matchIterator->size() > 1)if ((*matchIterator)[0].distance < (*matchIterator)[1].distance *0.8)goodMatches.push_back((*matchIterator)[0]);
}
// 消除误匹配：对称性检测
void symmetryTest(const vector<DMatch>& matches1, const vector<DMatch>& matches2, vector<DMatch>& symMatches)
{symMatches.clear();for (vector<DMatch>::const_iterator matchIterator1 = matches1.begin(); matchIterator1 != matches1.end(); ++matchIterator1)for (vector<DMatch>::const_iterator matchIterator2 = matches2.begin(); matchIterator2 != matches2.end(); ++matchIterator2)if ((*matchIterator1).queryIdx == (*matchIterator2).trainIdx && (*matchIterator1).trainIdx == (*matchIterator2).queryIdx)symMatches.push_back(*matchIterator1);
}// 匹配所有特征点
void match_features(vector<Mat>& descriptor_for_all, vector<vector<DMatch>>& matches_for_all)
{matches_for_all.clear();FlannBasedMatcher matcher;for (size_t i = 0; i < descriptor_for_all.size() - 1; i++) // 两两匹配{vector<vector<DMatch>> matches1, matches2;vector<DMatch> goodMatches1, goodMatches2, goodMatches;matcher.knnMatch(descriptor_for_all[i], descriptor_for_all[i + 1], matches1, 2);// find 2 nearest neighbours, match.size() = query.rowsize()   matcher.knnMatch(descriptor_for_all[i + 1], descriptor_for_all[i], matches2, 2);// find 2 nearest neighbours, match.size() = query.rowsize()ratioTest(matches1, goodMatches1);ratioTest(matches2, goodMatches2);symmetryTest(goodMatches1, goodMatches2, goodMatches);// Symmetry Testmatches_for_all.push_back(goodMatches);}
}// 由匹配对提取特征点对
void get_matched_points(vector<KeyPoint> keypoints1, vector<KeyPoint> keypoints2, vector<DMatch> goodMatches,vector<Point2f>& points1, vector<Point2f>& points2)
{points1.clear();points2.clear();for (vector<DMatch>::const_iterator it = goodMatches.begin(); it != goodMatches.end(); ++it){points1.push_back(keypoints1[it->queryIdx].pt); // Get the position of left keypointspoints2.push_back(keypoints2[it->trainIdx].pt); // Get the position of right keypoints}
}
// 获取匹配点的RGB
void get_matched_colors(vector<Vec3b>& color1, vector<Vec3b>& color2, vector<DMatch> matches, vector<Vec3b>& out_c1, vector<Vec3b>& out_c2)
{out_c1.clear();out_c2.clear();for (int i = 0; i < matches.size(); ++i){out_c1.push_back(color1[matches[i].queryIdx]);out_c2.push_back(color2[matches[i].trainIdx]);}
}// 剔除p1中mask值为0的特征点（无效点）
void maskout_points(vector<Point2f>& p1, Mat& mask)
{vector<Point2f> p1_copy = p1;p1.clear();for (int i = 0; i < mask.rows; ++i){if (mask.at<uchar>(i) > 0){p1.push_back(p1_copy[i]);}}
}void maskout_colors(vector<Vec3b>& p1, Mat& mask)
{vector<Vec3b> p1_copy = p1;p1.clear();for (int i = 0; i < mask.rows; ++i){if (mask.at<uchar>(i) > 0){p1.push_back(p1_copy[i]);}}
}// 三维重建
// 前两张图片重建
void reconstruct(Mat& K, vector<Point2f>& points1, vector<Point2f>& points2, Mat& R, Mat& t, Mat& mask, vector<Point3f>& points3D)
{// 根据内参数矩阵获取相机的焦距和光心坐标（主点坐标）double focal_length = 0.5 * (K.at<double>(0,0) + K.at<double>(1,1));Point2d principle_point(K.at<double>(0,2), K.at<double>(1,2));// 根据匹配点求取本征矩阵，使用RANSAC，进一步排除失配点（mask ==1 为内点， 0为外点）Mat E = findEssentialMat(points1, points2, focal_length, principle_point, RANSAC, 0.999, 1.0, mask);if (E.empty()){cout << "E is empty, please check it!" << endl;return;}// 根据内参数矩阵获取相机的焦距和光心坐标（主点坐标）int pass_count = recoverPose(E, points1, points2, R, t, focal_length, principle_point, mask);// 更新p1、p2、colors（保留mask中为1的点,值为1代表着有效点）maskout_points(points1, mask);maskout_points(points2, mask);// P、P1为外参数矩阵，即相机坐标系到世界坐标系的转换关系Mat P = (Mat_<double>(3, 4) << 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0); // 视为世界坐标系，投影矩阵为标准型矩阵：[I 0]Mat P1 = (Mat_<double>(3, 4) << R.at<double>(0, 0), R.at<double>(0, 1), R.at<double>(0, 2), t.at<double>(0, 0),R.at<double>(1, 0), R.at<double>(1, 1), R.at<double>(1, 2), t.at<double>(1, 0),R.at<double>(2, 0), R.at<double>(2, 1), R.at<double>(2, 2), t.at<double>(2, 0));// 归一化，将像素坐标转换到相机坐标/*方式1：归一化变换矩阵，triangulatePoints()中P为：内参*外参矩阵，points为像素坐标：P = K * P方式2：归一化坐标，triangulatePoints()中P为外参数矩阵，points为相机坐标X = K.inv() * x;*/P = K*P;P1 = K*P1;Mat points4D; // 齐次坐标形式：4*N：[x y z w].t()，此时w != 1triangulatePoints(P, P1, points1, points2, points4D);// 转成非齐次坐标for (size_t i = 0; i < points4D.cols; i++){Mat_<float> c = points4D.col(i);c /= c(3);Point3f p(c(0), c(1), c(2));points3D.push_back(p);}}
void reconstruct(Mat& K, Mat& R1, Mat& T1, Mat& R2, Mat& T2, vector<Point2f>& points1, vector<Point2f>& points2, vector<Point3f>& points3D)
{// P1、P2为外参数矩阵，即相机坐标系到世界坐标系的转换关系Mat_<double> r1 = R1;Mat_<double> t1 = T1;Mat_<double> r2 = R2;Mat_<double> t2 = T2;Mat P1 = (Mat_<double>(3, 4) << r1(0, 0), r1(0, 1), r1(0, 2), t1(0), r1(1, 0), r1(1, 1), r1(1, 2), t1(1), r1(2, 0), r1(2, 1), r1(2, 2), t1(2));Mat P2 = (Mat_<double>(3, 4) << r2(0, 0), r2(0, 1), r2(0, 2), t2(0), r2(1, 0), r2(1, 1), r2(1, 2), t2(1), r2(2, 0), r2(2, 1), r2(2, 2), t2(2));// 归一化P1 = K*P1;P2 = K*P2;Mat points4D; // 齐次坐标形式triangulatePoints(P1, P2, points1, points2, points4D);points3D.clear();points3D.reserve(points4D.cols);// 转成非齐次坐标for (size_t i = 0; i < points4D.cols; i++){Mat_<float> c = points4D.col(i);c /= c(3);Point3f p(c(0), c(1), c(2));points3D.push_back(p);}}
// 三维点与像素点对应起来
void get_objpoints_and_imgpoints(vector<DMatch>& matches,vector<int>& struct_indices,vector<Point3f>& structure,vector<KeyPoint>& key_points,vector<Point3f>& object_points, // 三维空间点的（x,y,z）值vector<Point2f>& image_points)  // 对应的二维特征点
{object_points.clear();image_points.clear();// 从第m张与第m+1张图片的匹配点中,挑选上一次重建使用的特征点for (int i = 0; i < matches.size(); ++i){int query_idx = matches[i].queryIdx;int train_idx = matches[i].trainIdx;// 若struct_idx = N (N>=0)，则表示该特征点是：上一次重建得到的第N个三维点对应的像素点int struct_idx = struct_indices[query_idx];if (struct_idx < 0)    // 表明该特征点并未用来进行前一次重建{continue;}object_points.push_back(structure[struct_idx]);image_points.push_back(key_points[train_idx].pt); // train中对应关键点的坐标 二维}
}
// 重建前2张图片
void reconstruct_first2imgs(Mat K,vector<vector<KeyPoint>>& key_points_for_all,vector<vector<Vec3b>>& colors_for_all,vector<vector<DMatch>>& matches_for_all,vector<Point3f>& structure,vector<vector<int>>& correspond_struct_idx,vector<Vec3b>& colors,vector<Mat>& rotations,vector<Mat>& translations)
{// 计算头两幅图像之间的变换矩阵vector<Point2f> p1, p2;vector<Vec3b> c2;Mat R, T; // 旋转矩阵和平移向量Mat mask;   // mask中大于零的点代表匹配点，等于零的点代表失配点get_matched_points(key_points_for_all[0], key_points_for_all[1], matches_for_all[0], p1, p2);get_matched_colors(colors_for_all[0], colors_for_all[1], matches_for_all[0], colors, c2);reconstruct(K, p1, p2, R, T, mask, structure);maskout_colors(colors, mask); // mask == 1,则为有效特征点cout << "First 2 images had been reconstructed." << endl;// 以第一个相机位置为世界坐标系Mat R0 = Mat::eye(3, 3, CV_64FC1);Mat T0 = Mat::zeros(3, 1, CV_64FC1);// 保存变换矩阵rotations = { R0, R };translations = { T0, T };// 将correspond_struct_idx的大小初始化为与key_points_for_all完全一致correspond_struct_idx.clear();correspond_struct_idx.resize(key_points_for_all.size());for (int i = 0; i < key_points_for_all.size(); ++i){correspond_struct_idx[i].resize(key_points_for_all[i].size(), -1); // 初始化为-1}// 填写前两幅图像的三维点索引int idx = 0;vector<DMatch>& matches = matches_for_all[0];for (int i = 0; i < matches.size(); ++i){if (mask.at<uchar>(i) == 0)continue;correspond_struct_idx[0][matches[i].queryIdx] = idx; // 如果两个点对应的idx 相等 表明它们是同一特征点 idx 就是structure中对应的空间点坐标索引correspond_struct_idx[1][matches[i].trainIdx] = idx;++idx;}
}
// 点云融合
void fusion_pointscloud(vector<DMatch>& matches,vector<int>& struct_indices,vector<int>& next_struct_indices,vector<Point3f>& structure,vector<Point3f>& next_structure,vector<Vec3b>& colors,vector<Vec3b>& next_colors)
{for (int i = 0; i < matches.size(); ++i) // matches中所有点对都被用来进行重建{int query_idx = matches[i].queryIdx;int train_idx = matches[i].trainIdx;int struct_idx = struct_indices[query_idx];if (struct_idx >= 0)  // 若该点在空间中已经存在，则这对匹配点对应的空间点应该是同一个，索引要相同{next_struct_indices[train_idx] = struct_idx;continue;}// 若该点在空间中未存在，将该点加入到结构中，且这对匹配点的空间索引都为新加入的点的索引structure.push_back(next_structure[i]); // structure.size()已经更新colors.push_back(next_colors[i]);struct_indices[query_idx] = next_struct_indices[train_idx] = structure.size() - 1;}
}

结果

下图是用来重建的6张图片(000.png-005.png)：

重建结果：

备注

当使用多张图片进行重建时，我发现随着图片数量的增加，重建后的点云在PCL中的显示尺寸也在被逐渐缩小。为了能清晰的观察重建效果，也就需要放大更大的倍数。但是当使用超过6张图片进行重建时，就会达到PCL可放大的最大倍数，也就是说放大到最大也无法观察到重建的点云效果，只会是一团很小的点云。当然这只是显示的问题，重建的结果并没有问题。关于这个问题，我尚未解决，如果大家有解决方案，欢迎不吝赐教。
最难理解的是vector<vector> correspond_struct_idx，若correspond_struct_idx[i][j]=N，则代表第i幅图像第j个特征点（即key_points_for_all[i][j]）与重建后的空间点points3D[N]对应。若N<0，说明该特征点没有被用于三维重建。这么做的主要原因是使用前两张图片进行重建时，并不是所有的特征点对都被用来重建，而是有一部分被滤除掉了。虽然后面所有的匹配点对都被用来重建，但是因为points3D中前两张图片重建的点对已经造成了偏移，即N != j。
完整工程下载：SfM稀疏三维点云重建【VS2015+OpenCV3.4+PLC1.8】–完整工程文件

SfM多视图三维点云重建--【VS2015+OpenCV3.4+PCL1.8】相关推荐

双目立体匹配，SFM和MVS三维点云重建的区别和联系
一.双目三维重建(binocular stereo):输入左右两张图片二.SFM(Structure from Motion)运动推断结构:一系列不同视角图片三.MVS(Multi View St ...
SfM三维点云重建：BA优化--【VS2015+OpenCV3.4+PCL1.8】
前言在SfM多视图三维点云重建–[VS2015+OpenCV3.4+PCL1.8]中实现的增量式SfM三维点云重建,会随着图片数量的增加而导致误差逐渐累积,最后可能无法完成重建.在三维重建中常使用B ...
由双目立体视差图重建三维点云【Win10+OpenCV3.4.1+PCL1.8】
基于Win10+OpenCV3.4.1+PCL1.8环境,使用双目立体视差图进行三维点云的重建. 原理使用双目视差图重建三维点云的原理其实很简单,与使用RGB-D相机进行三维点云重建的过程并没有太大 ...
CVPR2020：训练多视图三维点云配准
CVPR2020:训练多视图三维点云配准 Learning Multiview 3D Point Cloud Registration 源代码和预训练模型:https://github.com/zgo ...
三维点云重建 — open3d python
本文为博主原创文章,未经博主允许不得转载. 本文为专栏<python三维点云从基础到深度学习>系列文章,地址为"https://blog.csdn.net/suiyingy/ar ...
Meshlab读取三维点云、三维点云重建以及三维点云法向量计算
Meshlab是一个强大的三维模型处理的软件,在三维点云的处理方面也十分强大,不仅仅可以用三维点云重构出三维模型,还可以计算出三维点云每个点的法向量,这在逆向工程和基于三维点云的隐式曲面重建中非常有用 ...
MeshLab学习笔记——三维点云重建以及三维点云法向量计算
Meshlab是一个强大的三维模型处理的软件,在三维点云的处理方面也十分强大,不仅仅可以用三维点云重构出三维模型,还可以计算出三维点云每个点的法向量,这在逆向工程和基于三维点云的隐式曲面重建中非常有用 ...
图形处理（八）点云重建（上）点云滤波、尖锐特征边增采样、移除离群点
之前帮导师搞过一个项目,涉及点云尖锐的特征边重建技术,很多文献看起来效果很好,然而都是坑爹的算法,鲁邦性很差,比如这篇paper<Feature Sensitive Surface Extrac ...
CVPR2020：端到端学习三维点云的局部多视图描述符
CVPR2020:端到端学习三维点云的局部多视图描述符 End-to-End Learning Local Multi-View Descriptors for 3D Point Clouds 论文地 ...

SfM多视图三维点云重建--【VS2015+OpenCV3.4+PCL1.8】

难点

解决方法

代码

结果

备注

SfM多视图三维点云重建--【VS2015+OpenCV3.4+PCL1.8】相关推荐

最新文章

热门文章