1.SFM中图像匹配中问题描述
在slam中或者sfm中都会遇到图像匹配的问题,slam是实时的,所以基本上就是两两帧之间的在做匹配,而sfm是离线模式,给你一推照片,自己去在里面找到匹配的对象。所以在这个问题上,图像匹配问题就先的至关重要,而且经常出现误匹配的问题。
图像的匹配问题的关键就是从照片集中寻找到相似度非常高的照片,并且他们对应的实际物体为同一个物体的(同一面)。接下来就是如何去度量和搜索到最相似的照片在这方面一般会用到K-D树,RANSAC等算法。
2.图像匹配的第一步
特征点的计算,得到对应的特征点和特征点的描述子,目前来说传统的人工特征有sift,surf,orb(速度逐渐变快),运用神经网络提取特征的VGG ,ResNet ,DenseNet等。
运用SIFT特征等传统方法,需要提取对应的特征点和对应的特征点的描述子,对每一张照片都进行提取,最后就是要依据这些特征点进行匹配。一般的方法就是kd树的结构和K-NN的方法,其中将特征采用kd树的结构存储是为了更好的搜索,对于某一个特征点计算其最近邻/次近邻的特征点的欧式距离比值Q。若该值Q小于某一阈值,那么则作为候选匹配对。但是在大规模场景三维场景重建中,无序图片集中的照片数量非常多,如果按照任意两个照片之间做一次匹配,计算代价非常大。
3.图像匹配的第二步
所以出现了一种最小生成树的方法(