运动推断结构

运动推断结构 (SfM) 是一种摄影测量距离成像技术，用于从可能与局部运动信号耦合的二维图像序列中估计三维结构。 它在计算机视觉和视觉感知领域进行研究。 在生物视觉中，SfM 指的是人类（和其他生物）可以从移动物体或场景的投影 2D（视网膜）运动场中恢复 3D 结构的现象。

人类通过在周围移动来感知有关环境中三维结构的大量信息。 当观察者移动时，周围的物体会移动不同的量，具体取决于它们与观察者的距离。 这被称为运动视差，并且可以使用此深度信息来生成周围世界的准确 3D 表示。

从运动中寻找结构与从立体视觉中寻找结构存在类似的问题。 在这两种情况下，都需要找到图像与 3D 对象重建之间的对应关系。

为了找到图像之间的对应关系，从一个图像到下一个图像跟踪角点等特征。 最广泛使用的特征检测器之一是尺度不变特征变换 。 它使用来自高斯差分 金字塔的xxx值作为特征。 SIFT 的xxx步是找到主导梯度方向。 为了使其旋转不变，旋转描述符以适应该方向。 另一个常见的特征检测器是 SURF。 此外，SURF 不是评估梯度直方图，而是计算梯度分量的总和及其xxx值的总和。 它使用积分图像可以非常快速地以高检测率检测特征。 因此，与 SIFT 相比，SURF 是一种更快的特征检测器，缺点是特征位置的准确性较低。最近对运动结构实用的另一种特征是一般曲线，部分 一种称为无点 SfM 的技术，在点特征不足时很有用，在人造环境中很常见。

然后将从所有图像中检测到的特征进行匹配。 Lucas–Kanade 跟踪器是跟踪从一幅图像到另一幅图像的特征的匹配算法之一。

有时一些匹配的特征会被错误地匹配。 这就是匹配也应该被过滤的原因。通常用于去除异常值对应关系的算法。

然后使用随时间变化的特征轨迹来重建它们的 3D 位置和相机的运动。另一种方法是所谓的直接方法，其中直接从图像中估计几何信息，而无需 特征或角点的中间抽象。

有几种方法可以从运动中构建结构。 在增量 SfM 中，相机姿势被解决并一个一个地添加到集合中。 在全局 SfM 中，所有相机的位姿同时求解。 一种有点中间的方法是核外 SfM，其中计算了几个部分重建，然后将其集成到全局解决方案中。

具有多视图立体的运动结构摄影测量使用从一系列数码相机和可选的地面控制点网络获取的图像提供超大规模地形模型。 该技术不受时间频率的限制，可以提供密度和精度与地面和机载激光扫描生成的点云数据相当的点云数据，而成本仅为其一小部分。 运动推断结构在远程或崎岖环境中也很有用，在这些环境中，地面激光扫描受到设备便携性的限制，机载激光扫描受到地形粗糙度的限制，导致数据丢失和图像缩短。 该技术已应用于许多环境，例如河流、荒地、沙质海岸线、断层带、山体滑坡和珊瑚礁环境。 SfM 也已成功应用于评估河流系统中的大量木材堆积体积和孔隙率，以及通过确定不连续性的方向、持久性等某些特性来表征岩体。 可以使用各种数码相机，包括数码单反相机、小型数码相机甚至智能手机。