从两种观点看运动中的结构

对于两个固定摄像机或一个移动摄像机的简单结构，一个视图必须考虑摄像机1和另一个摄像机2。在这种情况下，算法假设摄像机1在原点，其光轴沿z设在。

为了恢复重建的规模，你需要更多的信息。一种恢复尺度的方法是在场景中检测出一个已知大小的物体。的运动中的结构，两种观点示例演示了如何通过在场景的点云中检测一个已知大小的球体来恢复尺度。

结构从多视图运动

对于大多数应用程序，如机器人和自动驾驶，SfM使用两个以上的视图。

两个视图中用于SfM的方法可以扩展为多个视图。用于SfM的多个视图集可以是有序的，也可以是无序的。这里采用的方法假设视图的顺序是有序的。来自多个视图的SfM需要跨多个图像的点对应，称为跟踪．一个典型的方法是根据成对的点对应来计算轨迹。您可以使用imageviewset管理双方的通信并找到轨道。每个轨迹对应着场景中的一个三维点。要从轨道上计算三维点，使用triangulateMultiview．三维点可以存储在worldpointset对象。的worldpointset对象还存储了跨摄像机视图的三维点与二维图像点之间的对应关系。

从两个视图使用SfM中的方法，你可以找到相机2相对于相机1的姿态。要将此方法扩展到多视图情况，请找到摄像机3相对于摄像机2的姿态，等等。相对位姿必须转换成一个共同的坐标系。通常情况下，所有相机的姿态都是相对于相机1进行计算的，这样所有的姿态都在同一个坐标系中。您可以使用imageviewset控制摄像机的姿势。的imageviewset对象存储视图和视图之间的连接。

从一个视角到下一个视角的每个相机姿态估计都存在误差。这些误差主要来自于图像中不精确的点定位、噪声匹配和不精确的标定。这些错误会随着视图数量的增加而累积，这种影响称为漂移．减少漂移的一种方法是改进相机的姿态和3-D点位置。非线性优化算法，称为束调整，由bundleAdjustment函数，可用于细化。您可以固定相机的姿态和完善只有三维点位置使用bundleAdjustmentMotion．你也可以调整相机的姿态，只使用3d的位置bundleAdjustmentStructure．

另一种减少漂移的方法是使用构成图优化在imageviewset对象。一旦检测到一个循环闭包，将新的连接添加到imageviewset对象，并使用optimizePoses函数用于优化受相对姿态约束的相机姿态。

的运动中的结构，两种观点示例演示了如何从一个2-D视图序列重建3-D场景。示例使用相机校准器校准相机的应用程序，以获取视图。它使用一个imageviewset对象来存储和管理与每个视图关联的数据。

的单目视觉同步定位与绘图示例演示了如何处理来自单目摄像机的图像数据，以建立一个室内环境的地图，并估计摄像机的运动。