Use-case
-
物体以不同的速度围绕它的中心旋转
-
固定的相机正在看物体
-
给定2D图像点对应重建3D点 Cloud
-
当对象旋转时，可以看到相机的不同部分，从而检测到不同的点和对应关系 .
Scene
一个 . N图像
湾N-1图像对
C . N-1 2D点对应（两个2D点阵列）
Implementation
对于每个（N-1）2D点对应关系
-
计算相机相对姿势
-
三角测量以产生3D点数
-
对于每个2个3D点数组，使用[c]中给出的2D对应关系导出对应关系
-
使用3D对应派生@ [3]导出每个对象3D点的轨迹，从而为每个对象点/顶点生成单个轨迹
Result:
A（N-2）个3D点数组，对应关系，相机姿势和轨迹（每个对象点一个轨迹）
Approach considered to resolve the problem:
鉴于三角测量结果精确到一定范围，计算点 Cloud .
答：每个三角测量结果和相机相对翻译都是
以非齐次坐标表示（每个结果具有不同的比例） .
B.假设对象结构是实体的，因此不会改变，
对于所有相机姿势，每个3D点到其中心的距离应该相同 .
C.记住[B]，在[A]和相机翻译中的所有三角形3D点
可以转换为齐次坐标系 .
D.选择一个相机姿势并转换每个轨道中的第一个点（定义@ [4]）
到那个相机姿势（通过累积的相机的反转变换
结果，预期点可以 .
1 回答
这是重建对象的正确程序 . 去年我在大学的一个项目上研究过这个话题 . 我的经验是用手移动相机重建物体并不容易 .
Matching
首先，你必须考虑inteset点的匹配 . SURF和SIFT是这一点的良好匹配方法 . 当物体移动小于15°时，您可以考虑使用USURF，这比正常的SURF快一点（有关详细信息，请参阅SURF论文） . 在我们的项目中，我们决定使用OpenCV中的光流，它看起来有点慢，但对异常值更强 . 您的对象只是旋转，所以您也可以考虑使用它 .
Evaluation of Matrix
接下来是评估新相机矩阵的结果 . 你有可能找出物体旋转了多少（像一些步进电机或其他东西）？因此，您可以将计算结果与电机步骤进行比较 . 如果它高于阈值你知道计算是坏的 . 但是，对于一些步进电机的精度并不是很好，但是一些实验可能会带来更多关于这一点的信息 .
Evaluation of Cloud
有一些很好的方法来评估计算的 Cloud . 最简单的方法是计算 Cloud 的重投影错误 . 为此，您只需反转重建并查看计算图像指向远离原始对应点的距离 . 另一个测试是检查所有点是否是相机的信息 . 通过计算可以发现点位于相机的前方和后方 . 我知道当两个相机相互关闭时它会发生，并且三角测量也会终止 .
First Image Pair
我不确定静态相机是否需要这一步 . 但首先我们必须计算一个基本矩阵 . 我们使用具有最多匹配的图像对来提取它们并使用RANSAC版本获得最佳结果 . 但也许您可以尝试放置对象，使其在第一次拍摄时在前面具有最多的Intereset点 .
Following Image Pairs
真正有效的是从现有的旧图像对计算的现有点 Cloud 中提取新的相机位置 . 为此你已经记住了以前的2D 3D相关图像 . 它被称为PerspectivenPoint Camera Pose Estimation（PnP） .
最后我们得到了一些好的和坏的结果 . 这取决于扫描对象 . 以下是一些帮助我的论文：
Modeling The World
Live Metric 3D-Reconstruction