三维重建（SFM）：360全景摄像机采集街景图像对重建的影响与优化

采集工具：insta one 360

数据：360自动拼接的“全景”视频文件（截帧，转换，切割）。

切图工具：open MVG pano2pinhole（已有功能，绕y轴旋转，横向选取n个pinhole点，并且选择每个点切割图形的FOV）（切图已经是针对全景图应用，并非机械crop，但仍不能避免图像形变）

问题简述：大FOV产生严重形变，影响行进方向图片的匹配（RANSAC）被干扰，关联度不够；小FOV画幅小，窄街横向图片景深不够，关联度不够。

行进方向匹配实验：

sift2048，FOV40：

两图跨9帧（帧不确切指定真实视频的fps（此例一帧可能是1/2秒），作为统一切割完成的数据集的相对标尺）

两图跨13帧

18帧

FOV120

5帧

FOV120，5帧，但是截取中间部分，好了很多，只为了证明图片中部匹配不错，但是周边形变，被RANSAC过滤后，好的匹配对也会消失！！！

FOV160,5帧，切割局部

切割组数实验

sift2048，FOV80下，产生5组，重合度较低。

FOV80下，产生6组，明显增加重合度。

FOV80下，产生4组，无重合度，损失信息。

结论：并非先平均切割指定组数再拉伸（360/5=72，72度拉伸至80度），而是根据组数选取中心点，每个中心点指定FOV切割。多组切割有利于增加重叠数据与总的匹配对数，有利于建模过程中的匹配鲁棒性（但不确定视角是否正确，是否因为畸变干扰不同视角间匹配关系，否则应使用小fov多组数的方式进行切割，高低视角的损失再做补救）

1.不用担心增加组数会产生额外畸变（比如，先平均得到360/6=60度，再拉伸到期望的80度）

2.组数超额可能有额外收益（建议：同FOV下，可以尝试更多组数，使视角覆盖度数更大，FOV80*6=480度>FOV80*5=400度，FOV40*10=400度>FOV40*9=360度。）

后续经过实验证明：增加组数n与同一帧下不同视角间的重叠度，能提高总的匹配对。

基于特征匹配实验结论，使用小FOV更优，但画幅不够，侧向匹配变差

改善方案

根据前边分析，在FOV45-120之间，根据图片形变量（“畸变”）和画幅大小，折中取了FOV50~FOV80等不同参数进行对比实验，在某些场景下，确实产生了质的变化——原本不能重建的数据集重建成功。

定量分析实验

为了让自己的各种“猜测”不变成玄学，从增量重建过程拆解出很多参数进行统计。

例：

total_images:90
total_image_pairs:1961
max_corrs:1570
min_corrs:30
total_corrs:430529
corrs_avg:219
corrs_rms:179
total_tri_corrs:251609
tri_corrs_avg:128
tri_corrs_rms:339
avg_recall:0.623677
total_track_len:89318
rms_track_len:8.46855
avg_track_len:6.1688
track3_cnt:5437,   percentage:0.375509
track6_cnt:5239,   percentage:0.361834
track10_cnt:2009,   percentage:0.138753
track15_cnt:916,   percentage:0.063264
track30_cnt:716,   percentage:0.0494509
trackInf_cnt:162,   percentage:0.0111886
total 3d points:14479

此外还有：重投影误差等。

参数分析依据：

3d点，越多，证明场景覆盖越好，特征点提取越全面；

corrs相关都是匹配对，事关匹配质量和数量，影响重建过程；

track是每个3d点属于多少张图，反映图片之间相关度；

track3_cnt意为：track长度小于等于3；后边的percentage为占所有3d点的百分比

track3_cnt意为：track长度小于等于6（大于3）；

实验结果统计

有个组合技巧：例如，用u60v60n8切割全景图，再用u80v80n8切割全景图，从u60数据集下选取某两个和行进有关的组，从u80数据集下选取几个与横向视角(店铺)有关的组，拼在一起进行重建，大量实验表明，有明显改善，甚至丢失一侧墙壁也可重建成功，鲁棒性大幅增强。

291_320小图集基础实验

	total_images	total_image_pairs	total_corrs	corrs_avg	corrs_rms	total_tri_corrs	tri_corrs_avg	tri_corrs_rms	avg_track_len	rms_track_len	median_number_of_key_points_per_photo	num_of_points（平均3D点）	RMS_of_rep rojection_errors	报告3d点（无过滤）	报告3d点	3d点召回率	说明
340u80v80n5	150	4707	711927	151	149	424803	90	244			5150	151	1.017445	46608	31590	0.677780639	80虽然3d点召回率优于72，但是因为有视角重叠，并且纵向视角也更大，而且这是340的

320u72v72n5	150		302455	176	156	178126	104	276			5217	218	0.939378	22727	15187	0.668236019	重投影误差： 72是否优于60？因为组数?因为视角?30张图过少，rms不能反应所有问题，加大数据量单独对比此项（不对等条件，u72对应v72，而u60对应v60）
NLGX320_u90v90n4																#DIV/0!	调试流程用
																#DIV/0!
重叠改善对比
320u120v120n3	90	868	182911	210		111880	128				5673	238	1.039085	15257	9198	0.602870813
320u120v120n4	120	1705	265318	155	159	174546	102	249			5473	257	1.107931	21597	13128	0.607862203	增加重叠度，误差加大多组数重叠有利于提升3d点召回率
																#DIV/0!
同uv下对比不同n
320u60v60n6	180		320159	168	143	185584	97	258			4770	194	0.970595	23036	15413	0.669083174
320u60v60n8	240	4396	763619	173	139	440183	100	262			4676	228	0.958221	38183	24711	0.647172826	视角重叠：匹配效果增加、点云增加，加滤波后点云仍明显多于n6

同v对比，n无重叠
320u45v60n8	240		353804	138	105	180009	70	205			4597	166	0.954611	24884	16279	0.654195467	较u60v60n6，总度数相同，无重叠 tri_corrs提升不明显 3d点增多重投影误差降低
320u60v60n6	180		320159	168	143	185584	97	258			4770	194	0.970595	23036	15413	0.669083174

u72n5下对比不同v，证明小v画幅瓶颈。

	total_images	total_image_pairs	total_corrs	corrs_avg	corrs_rms	total_tri_corrs	tri_corrs_avg	tri_corrs_rms	avg_track_len	rms_track_len	median_number_of_key_points_per_photo	num_of_points（平均3D点）	RMS_of_rep rojection_errors	报告3d点（无过滤）	报告3d点	3d点召回率	说明

NLGX320_u72v40n5	150	1591	277855	174	143	156132	98	265			4688	163	0.97746	18282	12241	0.669565693	从刚重建结束，到最后产生报告，两个3d点数据有何不同，是否被过滤？二次空三？没有gcp应该没有
NLGX320_u72v60n5	129	1231	237837	193	163	142847	116	288			4862	172	0.94241	17949	12008	0.66900663	注册不全
NLGX320_u72v72n5			302455	176	156	178126	104	276			5217	218	0.939378	22727	15187	0.668236019
NLGX320_u72v90n5	150	1757	283971	161	147	168872	96	254			4967	240	0.917816	22323	14935	0.6690409
NLGX320_u72v120n5		1971	298622	151	142	180530	91	237			5646	286	0.980885	22812	14677	0.643389444	3d点召回率下降：过滤基于体素过滤，证明从结构讲，或者至少从目前的版本讲，v120多冗余3d点并没有使用价值,反而增大误差。

小FOV确实取得了更好的平均track长度

	total_images	total_image_pairs	total_corrs	corrs_avg	corrs_rms	total_tri_corrs	tri_corrs_avg	tri_corrs_rms	avg_track_len	rms_track_len	median_number_of_key_points_per_photo	num_of_points（平均3D点）	RMS_of_rep rojection_errors	报告3d点（无过滤）	报告3d点	3d点召回率	说明

NLGX320_u90v90n4	120	1247	251327	201	184	157804	126	306	4.613363849	5.472636361				20099			total_track_len 92724.000000000000 double
NLGX320_u72v72n5	150	1707	302403	177	157	178053	104	277	4.688685069	5.586258069			0.924589	22678			total_track_len 106330.00000000000 double
NLGX320_u60v60n6	180	1903	320829	168	143	185874	97	259	4.757325968	5.708141885			0.940675	23171			total_track_len 110232.00000000000 double
NLGX320_u45v60n8	240	2547	353903	138	116	205610	80	205	4.862121928	5.872982768			0.925113	25392			total_track_len 123459.00000000000 double

同n下同group对比

因为单视角无法重建，选择了n个视角下的group2、3、4，但是同n8下，不同u总覆盖与重叠度不同，有一定干扰，最后使用u60g2\u60g4+u110g3的组合方式控制，g3更偏行进方向（大景深），最后证明小fov确实在行进方向能获取匹配优势。

	total_images	total_image_pairs	total_corrs	corrs_avg	corrs_rms	total_tri_corrs	tri_corrs_avg	tri_corrs_rms	avg_track_len	rms_track_len	median_number_of_key_points_per_photo	num_of_points（平均3D点）	RMS_of_rep rojection_errors	报告3d点（无过滤）	报告3d点	3d点召回率	说明
track统计实验：证明大FOV的平均纵向关联度更差（控制变量，用同样的n，n=8，选中单一视角，6点钟方向：group_index=3）
单视角重建失败，改用group_index=2,3,4

NLGX320_u45v60n8_g2g3g4	90	969	165255	170	141	95791	98	242	5.12044122	6.233307232	4861	138	0.921808	10063			total_track_len 51527.000000000000 double
NLGX320_u70v70n8_g2g3g4	90	1971	430642	218	179	251580	127	338	6.164731896	8.467444892	5334	158	0.937981	14472			total_track_len 89216.000000000000 double
NLGX320_u90v90n8_g2g3g4	90	2020	403876	199	168	238738	118	298	5.930191972	8.07325103	5279	185	1.015964	14325			total_track_len 84950.000000000000 double
NLGX320_u120v120n8_g2g3g4
NLGX320_u60v60n8_g2g3g4									5.86092	7.9377			0.88052	13933
NLGX320_u60v60g2g4_u110v110g3									5.43078	6.96349			0.975863	12777
NLGX320_u60v60g2g4_u90v90g3																	程序崩溃CheckErrorCUDA

单独对比u60g2\g3\g4与u60g2\u110g3\u60g4，明显u110获得了很大的劣势

大数据集下重建结果：

最后，不光在有竹林的子集小场景（badcase）重建成功，包含同样场景的大场景也重建成功。（对照组均失败）

下图：南锣鼓巷634张图，u70v80n8

补充：这个很像orbslam2的场景，orbslam2通过特征均匀分布来增加关键帧的鲁棒性。现在也是因为误匹配导致正确的特征点消失。（当然，思路落实到操作，不一定相似，现在排除外点才是更好的——也就是裁剪）

三维重建（SFM）：图像形变对重建的影响与优化相关推荐

上帝视角任意切换：三维重建和图像渲染是怎么结合的？
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达导读本文介绍了3D图像网站Photo Synth及其前身Photo Tourism,并讲解了它们的两 ...
opencv sgbm 三维重建_图像三维重建方法综述
文章转自:http://blog.csdn.net/zhubaohua_bupt/article/details/74172831 利用相机进行三维重建已经不是一个新鲜的话题,重建的三维环境用途很广泛 ...
OpenCvSharp三维重建SFM与图像拼接Stitch
OpenCvSharp三维重建SFM与图像拼接Stitch 关于SFM重建的原理参考https://blog.csdn.net/lpj822/article/details/82716971 关于图像 ...
基于图像的三维物体重建：在深度学习时代的最新技术和趋势综述之训练
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 1利用其他线索前面几节讨论了直接从二维观测重建三维对象的方法.本节展示了如何使用附加提示,如中间表示 ...
基于图像的三维模型重建——基础介绍
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达本文由知乎作者梦寐mayshine授权转载,不得擅自二次转载.原文链接:https://zhuanla ...
学习笔记之——基于深度学习的图像超分辨率重建
最近开展图像超分辨率( Image Super Resolution)方面的研究,做了一些列的调研,并结合本人的理解总结成本博文~(本博文仅用于本人的学习笔记,不做商业用途) 本博文涉及的paper已 ...
基于深度学习的图像超分辨率重建
最近开展图像超分辨率( Image Super Resolution)方面的研究,做了一些列的调研,并结合本人的理解总结成本博文~(本博文仅用于本人的学习笔记,不做商业用途) 本博文涉及的paper已 ...
android 1像素变粗,一亿像素的意义：聊聊图像采样与重建
一亿像素的意义:聊聊图像采样与重建 2019-08-13 15:01:51 18点赞 23收藏 16评论小米MIX4将会采用三星1.08亿像素传感器的新闻大家应该都听说了,一时间大家都开始讨论小尺寸 ...
基于图像的三维模型重建
基于图像的三维模型重建--特征点检测与匹配学习笔记 ** 题目基于图像的三维模型重建,即关于图像与三维模型重建.在学习知识的过程中最直观的学习方法即是通过图像(画)来学习(比如幼儿时期学习的小儿漫画 ...
SfM三维点云重建：BA优化--【VS2015+OpenCV3.4+PCL1.8】
前言在SfM多视图三维点云重建–[VS2015+OpenCV3.4+PCL1.8]中实现的增量式SfM三维点云重建,会随着图片数量的增加而导致误差逐渐累积,最后可能无法完成重建.在三维重建中常使用B ...

三维重建（SFM）：图像形变对重建的影响与优化