openMVG：Docs » openMVG libraries » cameras

cameras
提供各种相机模型
Pinhole camera model
讲述了小孔成像原理和它的两个子参数，内在和外在参数。然后举了个代码实例。暂时用不到先不管它。
可以参考这位大神。
Docs » openMVG libraries » multiview
multiview
The multiview module consists of:

a collection of solvers for 2 to n-view geometry constraints that arise in multiple view geometry,
源于多视角几何的2到n视角几何约束求解器的集合
a generic framework “Kernel” that can embed these solvers for robust estimation.
将通用框架Kernel嵌入这些求解器以进行鲁棒估计
First accessible solvers are listed and explained and the “Kernel” concept is documented.
已列出第一个可用求解器并解释、列出了Kernel的概念。

Homography matrix:单应矩阵
The homography matrix maps the relation between two projections of a plane: Figure.
单应矩阵映射平面的两个投影之间的关系
HH是一个（3×3）矩阵，它用下面的关系将左、右图像中的坐标联系起来。

单应矩阵与点对点约束
OpenMVG的实现遵循[HZ]书中对DLT（直接线性变换）的解释：H可以用4到n个对应点进行估计。

个人理解：推导过程看不懂，原理就是通过x(x>=4)对对应的点的坐标计算两个图像之间单应矩阵H，然后用单应矩阵H能够将图像1中的像素坐标(u1,v1)变换到图像2中对应的位置上(u2,v2)，将一幅图像变换到另一幅图像的视角中。

Fundamental matrix:基础矩阵

给定一对图像（同一场景不同视角得到的图像），从上面的图可知，对于第一幅图像上的任一像点x，在第二幅图像中都有一条与之对应的对极线l′，该对极线是像点xx与过第一个相机中心C射线在第二幅图像上的投影，并且第二幅图像中与x相匹配的像点x′必定在该对极线上。因此，存在一个像点x到另一个图像上对极线l′的映射： x→l′
基础矩阵F表示的就是这种从点到直线的映射。
Relative pose estimation (Essential matrix) 本质矩阵
本质矩阵就是在归一化图像坐标下的基本矩阵。不仅具有基本矩阵的所有性质，而且还可以估计两相机的相对位置关系。
本质矩阵和基础矩阵的区别是什么？
Absolute pose estimation/Camera resection (Pose matrix) 位姿矩阵
用于相机位姿估计的计算
Kernel concept
Kernel：一个将求解器、数据、度量方案等结合起来的类，这个类将用于鲁棒估计以上的参数和矩阵
Docs » openMVG libraries » linear programming
一个用于求解多视角几何中线性优化（参数估计）的工具集，读了一下决定用到了再说。
Docs » openMVG libraries » robust_estimation鲁棒估计
在模型估计时数据总会受噪声影响或者有一系列的离群点，因此需要鲁棒估计来寻找可能的“最佳”模型。

openmvg提供以下鲁棒估计的方法：
Max-Consensus,
Max-Concensus的思想是使用一个随机选取的数据子集来寻找一个模型，并测试该模型是否适合整个数据集。最后，你要保留最适合你的成本函数的模型。最佳拟合定义为在指定的阈值T下与模型对应的数据数量。
Ransac,
LMeds,
AC-Ransac (A Contrario Ransac).
Docs » openMVG libraries » tracks
在一组图片中寻找特征点（不同视角下同一点的追踪）
Docs » openMVG libraries » sfm
SFM（Structure from Motion）运动恢复结构，它处理SfM相关数据的存储和解决SfM问题的方法(相机姿态估计、结构三角测量、光束平差法)。