佟 强，王紫瑶，杨大利，刘秀磊

(北京信息科技大学 计算机学院 北京 100101)

0 引言

随着VR/AR技术的飞速发展，其技术要求也越来越高。除了通过建模工具构造虚拟的三维场景外，基于视觉技术将真实场景或物体直接转化为三维数据的三维重建技术受到了大量的关注。由于互联网海量图片的存在，以及场景图像的易获取性，许多研究者考虑利用同一个场景或物体在不同视角下的图片，根据视觉原理实现三维重建。

由于所使用的不同视角图片往往来自于不同的拍照环境，没有经过精确标定的相机参数，需要在多幅未标定的图像中通过特征点集匹配来恢复相机位姿，从而得到三维重建结果[1]。相机位姿恢复技术也可用于图像拼接[2]，将含有重叠部分的两幅或多幅图像，拼接成一幅包含各图像信息的高分辨率、宽视角图像。恢复多张图像中相机位姿的基础是两张图像中的相机相对位姿的恢复，而相机间的相对位姿信息又包含在图像间的基础矩阵中，因此基础矩阵估算成为研究的重点内容之一。

估算基础矩阵是从一组含有粗差点的数据集中估计最优的矩阵。早期使用的关键点通常为图像中的角点，包括Harris[3]、FAST[4]等，主要根据邻域内的灰度变化来判断一个点是否为角点[5]。为了降低因图像旋转、缩放对角点检测准确性的影响，尺度不变特征变换匹配 (scale invariant feature transform, SIFT)算法[6]以其对旋转、缩放等因素的鲁棒性，受到了广泛的关注。特征描述符的维数越高，越会影响算法时效性，将主成分分析 (principal components analysis, PCA)算法与SIFT算法结合的PCA-SIFT方法[7]可以有效降低特征维数，提高算法速度。……