主要贡献

• 基于单目SLAM的实时三维重建框架。
• 滤波算法去除点云中的异常值。
• 分块存储和融合进行高效三维重建

重建流程

单目SLAM

单目SLAM用于估计位姿，并获得稀疏的深度。在还有GPS信息的情况下，将位姿对齐到GPS坐标系中，并利用GPS处理比例和漂移。

局部面元重建

Mesh生成

在像素平面上对关键点进行Delaunay三角化，得到2DMesh集M_i，反投影到世界坐标系，得到M_w，投影到水平面，得到M_h。

边缘提取

M_h中的一个点p是非边缘点当且仅当p的相邻三角形中与p相对的边形成简单多边形。
###噪声滤波

对边缘点p就是否是外点进行两次判断:

• p的相邻三角形中p的对边形成了折线，两个端点和p的连线是否和不包含b的相邻点的三角形相交。p的相邻点指M_h中包含p的三角形的其他两个顶点。上图的p1为这种情况下的外点。
• 以p的相邻点的连线为直径做圆，半径比例为k的同心圆是否包含p。上图的p2为这种情况下的外点。
  对非边缘点p进行判断：
• p是否在相邻三角形的对边形成的简单多边形内部。上图的p3为这种情况下的外点。

DEM渲染

通过线性插值来计算俯视图中的高度和颜色。

面元融合

每个关键帧计算出的权重，以图块为单位和全局地图融合。最后在全局地图上运行多金字塔的平滑算法。

权重计算

对于每一个关键帧，计算所有关键点在M_h中的算术平均值，均值处的权重为255，里平均值最远的点权重为0.

图块为单位的地图融合

地图的存储和表示，更新都以图块为单位。

外点的去除还有从单目获得有效深度的思路都很有意思。