基于slam的三维重建_SLAM和三维重建有什么区别？

最新推荐文章于 2024-01-28 19:35:41 发布

JH努力

最新推荐文章于 2024-01-28 19:35:41 发布

阅读量1.1k

点赞数 5

文章标签：基于slam的三维重建

本文链接：https://blog.csdn.net/weixin_35930255/article/details/112030779

版权

SLAM（Simultaneous Localization And Mapping）与三维重建的主要区别在于应用场景和目标。SLAM侧重实时定位与建图，常用于机器人导航，强调实时性和鲁棒性，采用ORB等快速特征匹配。而SfM（Structure from Motion）注重精度，适用于航拍建图，偏好SIFT等高精度特征，匹配计算量大。两者在兴趣点提取、匹配方式、建图流程上有显著差异，SLAM使用增量式优化避免漂移，SfM通过全局BA处理累积误差，但通常不包含回环检测。全局式SfM通过旋转和平移平均解决漂移问题，但对平移尺度估计有挑战。

摘要由CSDN通过智能技术生成

作为一个混迹于SfM学术界，SLAM工业界的同学，先来先表明一下观点: 很多回答都不太准确，包括深蓝学院。

前面很多答主提到，SLAM和三维重建比较并不准确，那就假设题主是想和SfM比吧。其实更准确的说是视觉SLAM和SfM。

这两种方法的区别在于面向的任务不同: SLAM主要用于实时应用，比如机器人，我们希望SLAM算法能在机器人行走过程中实时进行建图和定位；而SfM主要用于建图，比如航拍场景，输出的稀疏点云和pose用于之后的MVS。

由于应用的场景和期望的目的不同，自然在算法设计上就会有很大的差异。

首先讲第一个异同。视觉SLAM和SfM都需要先从图像数据中提取需要的interest points(这里不说特征点，因为视觉SLAM包括直接法和特征点法)。对于视觉SLAM，为了保证实时性，interest points的提取需要足够快，同时鲁棒性也不能太差。像SIFT和SURF这类的方法由于过重通常被大多数SLAM应用抛弃，于是有了后来的ORB。而SfM算法更追求精度，速度是第二位，因此偏爱SIFT这类算法。当然，随着深度学习的发展，很多工作在使用深度学习算法来提取特征点。

第二个异同点在于如何在图片对或者相邻帧之间找匹配。以ORB为例，SLAM算法为了实时性，使用的是ORB的二进制描述子计算汉明距离，计算量比较小。使用SIFT的SfM算法则使用得到的特征点的128维描述子: 使用ANN的话，则建立KD-Tree后找近邻点；当然也可以使用cascade hashing算法来加速匹配过程。匹配时，SLAM通常只进行相邻帧或者一个窗口内的连续帧的匹配，需要匹配的图片对很少。而SfM则需要对每一张图片，和它们的k个可能的图片进