首先，我們提出了從視訊流中估計相機運動和三維結構的完整方法使用區域性束調整來解釋我們的增量方法：我們建議僅使用限制在最後一個攝像機和這些攝像機觀察到的3D點的一組引數來優化3D結構的末端。在第二部分中，我們提供實際資料的實驗和結果，並與GPS定位進行比較。

一增量演算法的描述

        演算法首先確定將用於設定全域性幀和系統集合的第一個三元組影象。然後用特徵檢測和匹配對視訊流的每個幀執行穩健的姿勢計算。選擇一些幀併成為用於3D點三角測量的關鍵幀。系統以增量方式執行，當新增新的關鍵幀和3D點時，我們繼續進行本地束調整。

1.1興趣點的檢測和匹配

       檢測哈里斯角，然後對於圖1中的興趣點，選擇圖2中定義的感興趣區域中一些候選對應點，然後計算兩個圖中興趣點和候選對應點及候選點鄰域的相關，選擇相關高的對作為對應點對。

1.2序列初始化

        我們要選擇相對較遠的幀才能計算極線幾何，但是又要有足夠多的共同點。

1.我們選擇作為關鍵幀，距離稍遠，但是有中號個匹配的興趣點，狀語從句：。也有中號個匹配的興趣點，而狀語從句：至少有狀語從句：興趣點。

2. 作為世界座標系。

3.用5點演算法和RANSAC算前三個幀相對位姿。

4.興趣點三角化為3D點，用狀語從句：中的匹配點。

5.LM演算法完成位姿估計和三維座標優化。

1.3實時魯棒的姿態估計

C，我們匹配最後一幀和最後選擇的關鍵幀確定一組點p在相機（）上投影位置已知，而且這組點的3D位置也已經算過了。

1.從重建的3D點，我們使用古方姿勢估計演算法來計算相機的位置C.（RANSAC過程給出了相機的初始估計Ç然後優化RT，用快速LM優化。）

2.我們計算相機的協方差矩陣接，我們可以畫90％的置信橢圓，如果冠狀病毒是協方差矩陣那麼置信橢圓有，服從分佈。

1.4