python opencv 三维重建_SFM三维重建（Python+OpenCV）

一、基础矩阵原理

类似于单应性矩阵，当存在噪声和不正确的匹配时，我们需要估计基础矩阵。与单应性矩阵估计相比，基础矩阵增加了默认的最大迭代次数，改变了匹配的阈值，使其匹配更加精准。基础矩阵描述了空间中的点在两个像平面中的坐标对应关系，不仅包含了本质矩阵E的两个摄像机相关的旋转平移信息，还包含了两个摄像机的内参。可用于简化匹配，去除错配特征。

具体公式的推导，参考博客：https://blog.csdn.net/kokerf/article/details/72191054#commentBox

https://www.cnblogs.com/wangguchangqing/p/8214032.html

二、实验流程

1、检测特征点，然后在两幅图像间匹配

用SIFT算法实现两幅图像的特征点检测，找到对应的匹配点并绘制出来

2、由匹配计算基础矩阵

使用RANSAC方法估计最佳基础矩阵F，以及正确点的索引

3、由基础矩阵计算照相机矩阵

在两个视图的场景中，照相机矩阵可以由基础矩阵恢复出来。在没有任何照相机内参数知识的情况下，照相机矩阵只能通过射影变换恢复出来。因此，在无标定的情况下，第二个照相机矩阵可以使用一个（3*3）的射影变换出来。

假设第一个相机矩阵: P1=[I|0] ，第二相机矩阵： P2=[M | e′]

其中  e′ 是极点 (e′T F= 0),  M = [e′×]F,  e′× 是e的叉积

4、三角剖分这些三维点

从照相机矩阵的列表中，对正确点的三维点进行三角剖分，挑选出经过三角剖分后，在两个照相机前均含有最多场景点，即取出真正在照相机前面的点。

三、代码

# coding: utf-8

from PIL import Image

from numpy import *

from pylab import *

import numpy as np

from PCV.geometry import homography, camera,sfm

from PCV.localdescriptors import sift

camera = reload(camera)

homo