【SLAM】2019浙大SLAM暑期学校--申抒含《基于图像的三维建模》学习记录1~稀疏点云重建
目录
途径一:Simultaneous Localization and Mapping (SLAM)
途径二:Structure from Motion (SfM)
简介
申抒含,中国科学院自动化研究所模式识别国家重点实验室副研究员,2010年于上海交通大学自动化系获博士学位。研究领域为三维计算机视觉理论与应用,包括基于图像的大规模场景三维重建、智能机器人三维环境感知、场景三维语义建模等。在IEEE Trans. on Image Processing、ISPRSJournal of Photogrammetry and Remote Sensing、PatternRecognition、CVPR、ECCV、3DV等国际期刊和会议发表论文50余篇。所开发的图像三维重建算法集成于三维视觉开源系统TheiaSfM、OpenMVG、OpenMVS等。作为课题负责人主持和参与国家自然科学基金、973、863、中科院先导专项、以及各类企业课题十余项。入选中科院青促会会员、中科院自动化所特聘青年骨干,曾获2016年ACM北京新星奖,2018年中国图象图形学会科学技术二等奖。
中国科学院自动化研究所模式识别国家重点实验室http://vision.ia.ac.cn
7月21日 08:30-10:30
三维重建
场景的三维结构、场景的语义信息、相机的空间位姿
几何精确性、场景完整性、语义准确性、高效矢量表达
三维几何视觉核心问题:
场景结构+相机位姿+(相机参数)
途径一:Simultaneous Localization and Mapping (SLAM)
—视频序列
—重建场景稀疏/准稠密/稠密结构与相机位姿(on-line)
—闭环检测+图优化(on-line)
途径二:Structure from Motion (SfM)
—多视角图像
—图像完全匹配(off-line)
—重建场景稀疏结构与相机位姿(off-line)
SLAM & Incremental SfM:
错误匹配→误差累计→场景漂移
SfM误差消除策略:
- View graph filtering
- Tracks selection
- Next best view
- Global bundle adjustment
图像三维建模的基本流程
稀疏点云重建
输入:多视角图像
输出:相机位姿、稀疏点云
基础:小孔相机模型
重投影误差最小化
相机位姿初始化(增量式、全局式、混合式 )
增量式Structure from Motion
全局式 Structure from Motion
混合式 Structure from Motion
参考文献
【SLAM】SfM论文推荐(ICCV,CVPR,ECCV等)Structure from Motion
文章来源: kings.blog.csdn.net,作者:人工智能博士,版权归原作者所有,如需转载,请联系作者。
原文链接:kings.blog.csdn.net/article/details/97633400
- 点赞
- 收藏
- 关注作者
评论(0)