0%

整理- 2019年6月24日

2019年6月24日 下午8:48

粗浅的三维重建核心的总体理解:

  1. 三维重建核心:一共有两个,十分简单
    1. 用数学描述现实几何关系。用等式、等式组就可以表示这种关系。—-> 已经研究透的东西
    2. 等式组求解。——>已经研究透的东西
      1. 这里又将等数组用矩阵表示,也就是将几何关系用带未知参数的矩阵来表示。
      2. 最后就变成了矩阵的求解。
      3. 换个角度说:如果我们知道了矩阵(本质矩阵 基本矩阵 H矩阵),那么说明我们已经求出了各种点(二维点<->三维点)之间的转换方式,选取合适的矩阵乘就行了。
  2. 为什么效果不好的原因是:
    1. 在解不等式时,输入的数据不好:错误匹配点。
      1. 计算机视觉很多问题,原因都是因为输入不够好,其实视觉本身的模型早就研究透了
      2. 现在的计算机视觉研究,真的就像是给不好的输入擦屁股,并不是从模型上改进。
    2. 为了弥补这些问题,我们才有了我们常用的算法:RANSAC,Bundle Adjustment。这些算法并不是三维重建的本质,一开始我就拘泥于这些算法中,导致没有看透知识!
  3. ps:视觉几何真心水深,没有理论积累,没有前人指点,坑是填不完的,祝好(对大家,也是对自己)—白巧克力亦维心

总结对比

单目和多目的对比
SFM整体流程的讲解
单相机和多相机的ba的不同
三维几何视觉的核心问题

数学:

向量点乘(内积)和叉乘(外积、向量积)
关于齐次坐标的五个问题
本质矩阵,基本矩阵的区别
卡尔曼滤波器推导与解析
非线性优化
RANSAC-随机一致性采样
协方差

空间(几何)模型:

对极几何
HomographyHomography 知多少? - 知行合一 - CSDN博客
三角量测-2
三角量测-1:已知相机参数 + 匹配点 恢复 三维点坐标
SFM算法的影响因素
当物体移动小于一个像素的视差

坐标变换:

图像转换过程中的第4+1个坐标变换(畸变)
坐标系「内外参」的详细转换推导
外参矩阵的现实含义:相机坐标为啥是-R’*T

相机参数:

焦距f的再sfm中的作用
各个内参的解释

标定-畸变:

matlab进行相机标定
相机标定(写的好)
OpenCV畸变校正原理以及损失有效像素原理分析

特征:

sift