SFM(structure from motion)與SLAM（Simultaneous Localizationand mapping）

我主攻方向剛好是structure from motion，我一美國同學主攻的方向剛好是visual SLAM。我是在我們實驗室vision組，他是在我們實驗室Robotics組。我們又住在一起，每天必須爭辯的事情就是structure from motion和visual SLAM的區別和聯絡，火藥不斷。我不得不說，SFM和vSLAM基本討論的是同一問題，不過SFM是vision方向的叫法，而vSLAM是robotics方向的叫法，vSLAM所謂的mapping，我們vision方向叫structure，vSLAM所謂的location，我們vision方向叫camera pose。但是從出發點考慮的話，SFM主要是要完成3D reconstuction，而vSLAM主要是要完成localization。從方法論的角度上考慮的話，傳統的SFM是不要求prediction的，但是對於vSLAM而言prediction是必須的，因為vSLAM的終極目標是要real-time navigation，而對於傳統SFM而言，real-time是不要求的。而傳統的vSLAM也把主要精力放在prediction上面，而且是藉助非camera的外界的手段來predict，例如acceleration sensor。而傳統SFM則把精力放在feature tracking上面了。直到最近，SFM開始利用圖片間的optical flow做prediction，而vSLAM則更加的注重了feature tracking。

 不同的SLAM方法體系

參考：https://blog.csdn.net/u010128736/article/details/53141681

三、不同的重建體系

根據不同的應用場景分類，參考：https://blog.csdn.net/wishchin/article/details/47339849

多幀二維影象 + 特徵點檢測演算法+ 特徵點深度計算/相機位姿剛性變換（ICP/PNP演算法）+ 濾波方法（EKF等框架（運動模型+觀測模型））+ ANN/RANSAC/ICP/......

濾波方法用於優化

總的來說可以分為以下兩類

1、畫素重建，基於kinect深度相機

kinect相機拍攝獲取深度資訊，對畫素進行深度恢復與三維重建

2、特徵點重建

特徵匹配，三維重建，機器人學通常認為的SLAM問題，是基於相機不固定的三維場景重建問題