openMVG使用

三维重建有两个比较完善的开源软件：colmap和openMVG。前者不用多说，提供了ui界面，各个功能做的也很完善，但是代码量巨大，可读性很差。OpenMVG 全称 Open Multiple View Geometry，是法国人 Pierre Moulon 读博期间开源的一个 C++ 库。但是比较遗憾的是没有提供gui界面，所以执行sfm的各个步骤需要使用命令行进行，这里是使用openMVG的记录。

openMVG的docs网址如下：

https://openmvg.readthedocs.io/en/latest/

这个docs应该是好久没更新了，跟最新版本的openmvg的很多参数都对不上

openMVG的pipelines

Image listing
Image description computation
Corresponding images and correspondences computation
SfM solving (2 methods)

Image listing

1	$ openMVG_main_SfMInit_ImageListing -i [] -d [] -o []

如果你使用的dockerfile编译的镜像，那么openMVG_main_SfMInit_ImageListing在/opt/openMVG_Build/Linux-x86_64-RELEASE/文件下下面

必须的参数：
-i 图片位置
-d 相机传感器数据库（在/opt/openMVG/src/software/SfM/../../openMVG/exif/sensor_width_database/sensor_width_camera_database.txt）
-o 输出数据位置
可选参数：
[-f|–focal] (value in pixels)
[-k|–intrinsics] Kmatrix: “f;0;ppx;0;f;ppy;0;0;1”
[-c|–camera_model] Camera model type:
	1: Pinhole
	2: Pinhole radial 1
	3: Pinhole radial 3 (default)
[-g|–group_camera_model]
	0-> each view have it’s own camera intrinsic parameters
	1-> (default) view can share some camera intrinsic parameters

/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_SfMInit_ImageListing -d /opt/openMVG/src/software/SfM/../../openMVG/exif/sensor_width_database/sensor_width_camera_database.txt -i /home/devil/10_11_subdataset/rgb/ -o /home/devil/10_11_subdataset/output/ -k "665.5152;0;457.4575;0;665.5152;316.95375;0;0;1" -c 1

这个任务是创建一个 sfm_data.json 文件，描述所使用的图像数据集。这个结构化文件为每个图像列出了一个称为视图的对象。该视图存储图像信息和列表：

图像名称
图像大小
内部摄像机校准信息（内在参数）（如有）。

Image description computation

1	$ openMVG_main_ComputeFeatures -i [..\matches\sfm_data.json] -o [...\matches]

必须的参数：

[-i|–input_file]  第一步输出的文件（sfm_data.json）
[-o|–outdir path] 图像描述符存放的位置

可选的参数：

[-f|–force: 强制重新计算数据]
0: （默认）重新加载先前计算的数据（在您终止进程并希望继续计算时很有用）
1: 在更改命令行参数后有用，强制重新计算并保存。

[-m|–describerMethod]
用于描述图像的方法：
SIFT：（默认），
AKAZE_FLOAT：具有浮点描述符的AKAZE，
AKAZE_MLDB：具有二进制描述符的AKAZE。

[-u|–upright]
是否使用直立特征
0: （默认，具有旋转不变性）
1: 提取直立特征（方向角 = 0°）。

[-p|–describerPreset]
用于控制Image_describer配置的参数：
NORMAL，
HIGH，
ULTRA：!!可能会消耗大量时间!!。

Generate Image Pair

1	openMVG_main_PairGenerator -i [] -o []

[-i|--input_file]         SfM_Data文件
[-o|--output_file]        存储成对信息的输出文件

[可选]
[-m|--pair_mode] mode     成对生成模式
       EXHAUSTIVE:        构建所有可能的成对。[默认]
       CONTIGUOUS:        为连续的图像构建成对（与 --contiguous_count 参数一起使用）
[-c|--contiguous_count] X 连续连接的数量
       X: 将0与（1->X）匹配，...]
       2: 将0与（1,2）匹配，1与（2,3）匹配，...
       3: 将0与（1,2,3）匹配，1与（2,3,4）匹配，...

example

1 2	/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_PairGenerator -i /home/devil/10_11_subdataset/output/sfm_data.json -o /home/devil/10_11_subdataset/output/matchs/pairs.bin -m CONTIGUOUS -c 2

compute Matchs

上面是提取了特征点，然后需要对特征点进行匹配。

1	$ openMVG_main_ComputeMatches -i [..\matches\sfm_data.json] -o [...\matches]

必需参数：

[-i|–input_file] SfM_Data文件
[-o|–out_dir path] 储存假设匹配和几何匹配的路径
[-p|--pair_list]    上个步骤得到的pairs

可选参数：
[-f|–force: 强制重新计算数据]
0: （默认）重新加载先前计算的数据（在您终止进程并希望继续计算时很有用）
1: 在更改命令行参数后有用，强制重新计算并重新保存。

[-r|-ratio]（这个参数是比值测试需要的，即最近邻距离和次近邻距离的比值，越小越严格）
（最近邻距离比，默认值为0.8）。
使用0.6更为严格 => 提供更少的误报。


[-n|–nearest_matching_method]
AUTO: 从区域类型自动选择，
对于基于标量的描述符，您可以使用：
BRUTEFORCEL2: 基于标量的区域描述符的BruteForce L2匹配，
ANNL2: 基于标量的区域描述符的近似最近邻L2匹配，
CASCADEHASHINGL2: L2级联哈希匹配，
FASTCASCADEHASHINGL2: （默认）。
使用预计算的哈希区域的L2级联哈希匹配，（比CASCADEHASHINGL2更快但使用更多内存）。
对于基于二进制的描述符，您必须使用：
BRUTEFORCEHAMMING: 二进制区域描述符的BruteForce Hamming匹配，

[-c|--cache_size]
  Use a regions cache (only cache_size regions will be stored in memory)
  If not used, all regions will be load in memory.
[Pre-emptive matching:]
[-P|--preemptive_feature_count] <NUMBER> Number of feature used for pre-emptive matching

examples

1
2

/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_ComputeMatches -i /home/devil/10_11_subdataset/output/sfm_data.json -p /home/devil/10_11_subdataset/output/matchs/pairs.bin -r 0.7   -o /home/devil/10_11_subdataset/output/matchs/matchs.bin

Match Filter

1	/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_GeometricFilter -i [] -m [] -o []

必须的参数：
[-i|--input_file]       SfM_Data文件
[-m|--matches]          (输入) 匹配文件名
[-o|--output_file]      (输出) 过滤后的匹配文件名

[可选]
[-p|--input_pairs]      (输入) 成对文件名
[-s|--output_pairs]     (输出) 过滤后的成对文件名
[-f|--force]            强制重新计算数据
[-g|--geometric_model]
  （通过鲁棒模型估计进行成对对应关系过滤）：
   f: （默认）基本矩阵,
   e: 本质矩阵,
   h: 单应矩阵.
   a: 具有角度参数化的本质矩阵,
   u: 具有角度参数化的直立本质矩阵,
   o: 正交本质矩阵.
[-r|--guided_matching]  使用找到的模型改善成对的对应关系.
[-c|--cache_size]
  使用区域缓存（仅将 cache_size 个区域存储在内存中）
  如果不使用，将加载所有区域到内存中。

examples

1
2

/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_GeometricFilter  -i /home/devil/10_11_subdataset/output/sfm_data.json -m /home/devil/10_11_subdataset/output/matchs/matchs.bin -o /home/devil/10_11_subdataset/output/matchs/matches.f.bin -g h

注意filter最后的输出一定得是matches.f.bin matches.f.txt matches.e.bin matches.e.txt

Incremental SfM

1	$ openMVG_main_IncrementalSfM -i Dataset/matches/sfm_data.json -m Dataset/matches/ -o Dataset/out_Incremental_Reconstruction/ -s []

[必需]
[-i|--input_file]  SfM_Data场景的路径
[-m|--match_dir]  匹配文件对应于提供的SfM_Data场景的路径
[-o|--output_dir]  存储输出数据的路径
[-s|--sfm_engine]  用于重建的SfM引擎类型
         INCREMENTAL   : 逐步添加图像到2视图种子
         INCREMENTALV2 : 逐步添加图像到2或N视图种子（实验性的）
         GLOBAL        : 全局初始化旋转和平移
         STELLAR       : n-uplets局部运动细化 + 全局SfM

[可选参数]


[通用]
[-M|--match_file]  要使用的匹配文件的路径（例如 matches.f.txt 或 matches.f.bin）
[-f|--refine_intrinsic_config] 内部参数优化选项
         ADJUST_ALL -> 优化所有现有参数（默认）
         NONE -> 内部参数保持为常数
         ADJUST_FOCAL_LENGTH -> 仅优化焦距
         ADJUST_PRINCIPAL_POINT -> 仅优化主点位置
         ADJUST_DISTORTION -> 仅优化畸变系数（如果有的话）
         -> 注意：选项可以通过 '|' 组合
         ADJUST_FOCAL_LENGTH|ADJUST_PRINCIPAL_POINT
                -> 优化焦距和主点位置
         ADJUST_FOCAL_LENGTH|ADJUST_DISTORTION
                -> 优化焦距和畸变系数（如果有的话）
         ADJUST_PRINCIPAL_POINT|ADJUST_DISTORTION
                -> 优化主点位置和畸变系数（如果有的话）
[-e|--refine_extrinsic_config] 外部参数优化选项
         ADJUST_ALL -> 优化所有现有参数（默认）
         NONE -> 外部参数保持为常数
[-P|--prior_usage] 启用运动先验的使用（例如 GPS 位置）（默认：false）

[引擎特定]


[INCREMENTAL]
        [-a|--initial_pair_a] 第一张图像的文件名（不包括路径）
        [-b|--initial_pair_b] 第二张图像的文件名（不包括路径）
        [-c|--camera_model] 对于未知内部参数的视图的相机模型类型：
                 1: 旁孔模型 
                 2: 旁孔模型径向1
                 3: 旁孔模型径向3（默认）
                 4: 旁孔模型径向3 + 切向2
                 5: 鱼眼模型
        [--triangulation_method] 三角测量方法（默认=3）：
                0: 直接线性变换
                1: L1_角度
                2: LINFINITY_角度
                3: INVERSE_DEPTH_WEIGHTED_MIDPOINT
        [--resection_method] 重定位/姿态估计方法（默认=3）：
                0: 直接线性变换 6点 | 不使用内部数据
                1: P3P_KE_CVPR17
                2: P3P_KNEIP_CVPR11
                3: P3P_NORDBERG_ECCV18
                4: UP2P_KUKELOVA_ACCV10 | 2点 | 直立相机


[INCREMENTALV2]
        [-S|--sfm_initializer] 选择SfM初始化方法：
                 'EXISTING_POSE'-> 从现有sfm_data相机姿态初始化重建
                 'MAX_PAIR'-> 从具有最多匹配的成对初始化重建
                 'AUTO_PAIR'-> 使用自动选择的成对初始化重建
                 'STELLAR'-> 使用'stellar'初始化重建
        [-c|--camera_model] 对于未知内部参数的视图的相机模型类型：
                 1: 旁孔模型 
                 2: 旁孔模型径向1
                 3: 旁孔模型径向3（默认）
                 4: 旁孔模型径向3 + 切向2
                 5: 鱼眼模型
        [--triangulation_method] 三角测量方法（默认=3）：
                0: 直接线性变换
                1: L1_角度
                2: LINFINITY_角度
                3: INVERSE_DEPTH_WEIGHTED_MIDPOINT
        [--resection_method] 重定位/姿态估计方法（默认=3）：
                0: 直接线性变换 6点 | 不使用内部数据
                1: P3P_KE_CVPR17
                2: P3P_KNEIP_CVPR11
                3: P3P_NORDBERG_ECCV18
                4: UP2P_KUKELOVA_ACCV10 | 2点 | 直立相机


[GLOBAL]
        [-R|--rotationAveraging]
                 1 -> L1最小化
                 2 -> L2最小化（默认）
        [-T|--translationAveraging]:
                 1 -> L1最小化
                 2 -> 对弦距离平方和的L2最小化
                 3 -> SoftL1最小化（默认）
                 4 -> LiGT：从旋转和匹配中获取的线性全局平移约束
[STELLAR]
        [-G|--graph_simplification]
                 -> NONE
                 -> MST_X
                 -> STAR_X
        [-g|--graph_simplification_value]
                 -> 数量（默认：5）

Convert SfM

1	/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_ConvertSfM_DataFormat

必须的参数
[-i|--input_file] 输入SfM_Data场景的路径
[-o|--output_file] 输出SfM_Data场景的路径
         .json, .bin, .xml, .ply, .baf

[用于导出部分数据的选项（默认情况下导出所有数据）]

可用于json/bin/xml格式
[-V|--VIEWS] 导出视图
[-I|--INTRINSICS] 导出内部参数
[-E|--EXTRINSICS] 导出外部参数（视图姿势）
[-S|--STRUCTURE] 导出结构
[-C|--CONTROL_POINTS] 导出控制点

script

# 初始化输入
/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_SfMInit_ImageListing -d /opt/openMVG/src/software/SfM/../../openMVG/exif/sensor_width_database/sensor_width_camera_database.txt -i /home/devil/10_11_subdataset/rgb/ -o /home/devil/10_11_subdataset/output/ -k "665.5152;0;457.4575;0;665.5152;316.95375;0;0;1" -c 1 

# 提取图片特征
/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_ComputeFeatures -i /home/devil/10_11_subdataset/output/sfm_data.json -o /home/devil/10_11_subdataset/output/matchs

# 根据特征生成匹配对
/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_PairGenerator  -i /home/devil/10_11_subdataset/output/sfm_data.json -o /home/devil/10_11_subdataset/output/matchs/pairs.bin -m CONTIGUOUS -c 2

# 进行匹配
/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_ComputeMatches -i /home/devil/10_11_subdataset/output/sfm_data.json -p /home/devil/10_11_subdataset/output/matchs/pairs.bin -r 0.7   -o /home/devil/10_11_subdataset/output/matchs/matches.bin

# 错误匹配剔除
/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_GeometricFilter  -i /home/devil/10_11_subdataset/output/sfm_data.json -m /home/devil/10_11_subdataset/output/matchs/matchs.bin -o /home/devil/10_11_subdataset/output/matchs/matches.f.bin -g h  

# 增量式SfM
/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_SfM -s INCREMENTAL  -i /home/devil/10_11_subdataset/output/sfm_data.json -m /home/devil/10_11_subdataset/output/matchs -o /home/devil/10_11_subdataset/output/reconstruction

# 输出格式转换
/opt/openMVG_Build/Linux-x86_64-RELEASE/openMVG_main_ConvertSfM_DataFormat -i /home/devil/10_11_subdataset/output/reconstruction/sfm_data.bin -o /home/devil/10_11_subdataset/output/export/sfm_data.json

xiaoxiao-1's Blog

openMVG命令行用法