OpenCV实战（25）——3D场景重建

0. 前言

在《相机姿态估计》一节中，我们学习了如何在校准相机时恢复观察 3D 场景的相机的位置。算法应用了以下事实，即有时场景中可见的某些 3D 点的坐标可能是已知的。而如果能够从多个角度观察场景，即使没有关于 3D 场景的信息可用，也可以重建 3D 姿势和结构。在本节中，我们将使用不同视图中图像点之间的对应关系来推断 3D 信息，同时介绍一个新的数学实体用于校准相机的两个视图之间的关系，并将讨论三角测量的原理以便从 2D 图像重建 3D 点。

1. 重建 3D 场景

我们使用校准后的相机，拍摄两张场景照片，然后使用 SIFT (Scale Invariant Feature Transform) 检测器和描述符来匹配这两个视图之间的特征点。
相机的校准参数为我们在世界坐标系中的计算奠定了基础，需要在相机姿态和相应点的位置之间建立物理约束。我们引入了一个新的数学实体，本质矩阵 (essential matrix)，它基本矩阵的校准版本， cv::findEssentialMat 函数可用于计算本质矩阵，估计图像中的投影关系。
我们可以使用已建立的点对应调用 cv::findEssentialMat 函数，并通过随机抽样一致算法 (RANdom SAmple Consensus, <