是否有运动/3D 重建结构的最小、完整、有效的示例？

Question

就像问题所说的那样，我正在寻找一个完整的、最小的、运动结构（又名 3D 重建）管道的工作示例。

我马上说我没有相机参数。我不知道焦距或相机内部结构。因此，90% 的示例/教程都是 无效 的。

关于这个主题有很多问题，但代码只是片段，而不是完整的 SfM 过程。许多指令是矛盾的，或者只是猜测，并且开源外部库很难遵循。

所以我正在寻找一个简短的、完整的、最小的、可行的示例。最重要的是工作要求，因为太多的代码会产生不好的结果。

我已经用下面的代码对其进行了尝试。我使用匹配对的合成数据，因此没有噪音或不良对应问题需要解决。目标是从 2 个视图重建一个立方体（8 个 3d 点），每个视图有 8 个 2d 点。然而，最终的结果却很糟糕。没有立方体形状的外观。（我尝试过标准化和集中数据，这不是问题）。

任何能够提供更好的最小工作示例，或者指出我的尝试有什么问题的人，我们将不胜感激。

import cv2
import numpy as np
import scipy.linalg


def combineTR(T,R):  #turn a translation vector and a rotation matrix into one 3x4 projection matrix
    T4 = np.eye(4)
    T4[:3, 3] = T  # make it 4x4 so we can dot product it
    R4 = np.eye(4)
    R4[:3, :3] = R
    P = np.dot(T4, R4)  # combine rotation and translation into one matrix
    P = P[:3, :]  # cut off bottom row
    return P

####################################################################

# # ground truth
# Wpts = np.array([[1, 1, 1],  # A Cube in world points
#                  [1, 2, 1],
#                  [2, 1, 1],
#                  [2, 2, 1],
#                  [1, 1, 2],
#                  [1, 2, 2],
#                  [2, 1, 2],
#                  [2, 2, 2]])


views = np.array(
        [[[ 0.211,  0.392],
        [ 0.179,  0.429],
        [ 0.421,  0.392],
        [ 0.358,  0.429],
        [ 0.189,  0.193],
        [ 0.163,  0.254],
        [ 0.378,  0.193],
        [ 0.326,  0.254]],

       [[ 0.392,  0.211],
        [ 0.392,  0.421],
        [ 0.429,  0.179],
        [ 0.429,  0.358],
        [ 0.193,  0.189],
        [ 0.193,  0.378],
        [ 0.254,  0.163],
        [ 0.254,  0.326]]])

F = cv2.findFundamentalMat(views[0], views[1],cv2.FM_8POINT)[0]

# hartley and zimmermans method for finding P
e2 = scipy.linalg.null_space(F.T) #epipole of second image
C2R = np.cross(e2.T, F)  #camera 2 rotation
C2T = e2.T[0]
P = combineTR(C2T, C2R)  #projection matrix for camera 2

R = np.eye(3)  # rotation matrix for camera 1
T = [0, 0, 0]  # translation
P0 = combineTR(T,R)

tpts = cv2.triangulatePoints(P0,P,views[0].T,views[1].T)  #triangulated point
tpts /= tpts[-1]  #divide by last row and scale it

tpts *= -100
print(tpts)

基本事实：

我的结果：