BundleFusion 解析

最新推荐文章于 2024-03-25 09:56:02 发布

hypercube2

最新推荐文章于 2024-03-25 09:56:02 发布

阅读量1.8k

点赞数

分类专栏： C# c++ 文章标签： python

本文链接：https://blog.csdn.net/hypercube2/article/details/84914129

版权

本文详细解析了BundleFusion的实时三维重建方法，包括全局姿态对齐、对应过滤、分层优化策略等。通过帧匹配、局部和全局优化，实现高效、稳健的3D模型构建。尽管存在局限性，如特征坐标固定不变可能导致误差，但该技术在cuda加速下实现了高效运行。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

BundleFusion 解析

原创 2016年10月25日 15:32:32

标签：
实时三维重建 /

2694
编辑
删除

Updated at December 7, 12.

Method overview

BundleFusion 和之前所有的帧匹配（keyframe，每个 chunk 的第一帧），匹配采用 sift 描述子，这种方式和 SLAM 中一般通过邻近的帧计算 pose 不一样。
为了减少优化时优化的变量个数，采用 local-to-global 的位子优化策略。local 范围内，将全部帧按照划分成等大小的 chunk，先在 chunk 内做 pose 优化。然后在 global 范围内，所有的 chunk 的 pose 放在一起优化。这种 local-to-global 的方式，可以减少优化的变量个数，加速优化过程。
在建图部分，采用 voxel hashing 算法，不同的是，BundleFusion 中每个 chunk 的 pose 一直在做改变，pose 的改变需要映射到全局的 TSDF 模型中。方法是，挑选出 pose 改变量最大的 chunks（10 个），按照将帧融合到 TSDF 时的 pose，做 de-integration，将之前融合进 TSDF 模型中的数据，从 TSDF 模型中减掉。然后，按照优化之后的 pose，将 chunk 的数据 re-integrate 到 TSDF 模型中。

算法流程图：

Global Pose Alignment

对于新获取的帧，和之前的帧累计到一个 chunk 时（每 11 帧组成一个 chunk），先在 chunk 内匹配，做 local 优化，优化后，用 chunk 内的第一帧表示 chunk，chunk 内的所有帧的特征组合在一起，表示该 chunk 内特征，然后新的 chunk 和之前所有的 chunk 匹配，做 pose 优化，SIFT 特征提取和匹配都在 GPU 上做，计算一帧 SIFT 关键点和提取关键点描述子占用 4-5ms，匹配一次耗时大概 0.05 ms，特征匹配不可避免会有错误的匹配，作者设计了严格的筛选机制。