Visual Odometry(视觉里程计)： StereoScan Dense 3d Reconstruction in Real-time

转载请注明：http://blog.csdn.net/c602273091/article/details/54561299

介绍

从多个二维图片中重建3D影像是机器视觉必不可少的部分，这篇论文【1】提出的就是做3D重建的工作。这篇论文提出了一种巧妙的实时的方法做3D地图重建——使用稀疏特征和视觉里程计相结合的方法。这种方法包含了立体匹配和创建点云。用这种方法计算出来的视觉里程计是当年11年最好的。该法可以每秒执行25f，同时建立3~4fps的深度地图，可以用于实时3d重建（这个用的是11年的处理器）

本文的贡献在于：1、使用几千个特征匹配实时计算了场景流；2、简单但是又鲁棒的视觉里程计被提出；3、使用ego-motion，集合从LIBELAS的立体测量，解决了匹配连接问题。

3D重建效果如下：

系统概述

整个流水线分成四个部分：特征匹配、ego-motion估计、稠密立体视觉匹配、3D重建。
如下图所示：

特征匹配、ego-motion估计用一个CPU，25fps；稠密立体视觉匹配、3D重建一个CPU，3~4fps。

A、特征匹配

使用blob和角点算子对输入的四幅图片（左右两个方向以及连续的）进行处理；然后使用NMinimumS和NMaximumM就可以得到blob max, blob min, corner max, corner min。然后对这四类进行匹配。进行两个特征点之间的匹配的时候，不是使用RANSAC这样乱匹配，而是假设摄像头平缓移动，然后在该特征点的11x11一个区域计算水平和垂直的Sobel算子计算（用水平再加垂直方向，可以使计算复杂度从O(