項目地址：http://phototour.cs.washington.edu/優化
Photo Tourism是華盛頓大學的SFM重建的過程spa
Paper:Photo Tourism: Exploring Photo Collections in 3D圖片
文章提出的方法以下：io
（1）提取SIFT特徵點；class
（2）每兩幅圖像之間進行SIFT特徵點進行匹配； 匹配過程當中首先採用了KD-TREE的方法對最近鄰的特徵點進行匹配，而後採用了多視角幾何進行限制。值得注意的是多視角的幾何限制，在多視角的圖像匹配中常常出現（Geometry constriant）。原理
在兩視角的幾何中，對應點應該知足方程 pFp'=0,其中F是本徵矩陣。本徵矩陣有7個獨立參數。這7個獨立參數是什麼？估計F的方法經常使用的有5點法和8點法。8點法的原理尚未弄明就是利用線性變換法的原理進行求解。方法
本文中採用了RANSAC的方法進行對F進行估計，每一步迭代的過程當中，利用8點法進行求解。項目
估計出本徵矩陣的目的是爲了對以前求得的匹配進行約束，獲得的匹配成爲幾何一致匹配，不一樣圖像上的幾何一致匹配造成了一個TRACK（其實就是一個空間點在不一樣的圖像上的投影點之間的匹配）di
（3）選取兩張圖像進行重建。選取圖像的標準是，匹配的特徵點要足夠多，但同時BASELINE要足夠大。爲此，先採用RANSAC求得兩兩圖像之間的HOMEGRAPHY，獲得內點，選取內點數最少，但又很多於100個的圖像對做爲原始輸入。我的以爲這樣作主要是爲了防止兩幅圖像的視角過於接近，防止出現退化狀況。ant
獲得了原始圖像後，採用5點法求出兩幅圖像相對的外參數以及相機的內參數，而後採用BUNDLER AJUSTMENT進行優化，值得注意的是BUNDLER AJUSTMENT優化的思想貫穿於整個重建過程當中。
根據獲得的參數以及兩幅圖像的匹配關係求出空間點座標。注意，圖像上的點和空間點是一對多的關係，所以至少須要兩幅圖像才能求出空間點的座標。
（4）添加其餘的圖片，要求是圖像含有與重建出三維點的匹配最多。這樣就成了已知三維點機器二維圖像上的對應點，標定相近內外參數的問題。
首先採用KLT方法，對相機的內外參數進行初始之估計，而後採用BUNDLER AJUSTMENT進行優化。注意BUNDLER AJUSTMENT不是全局最優解，所以須要KLT提供可靠的參數初始值以免局部最優化。
（5）將該圖像上其餘的，並且是已經重建過的圖像上也有的特徵點添加到重建過程當中進行重建。重建結束後進行一個全局的BUNDLER AJUSTMENT。
也就是著名的三維重建項目Bundler_sfm
Bundler_sfm地址：http://www.cs.cornell.edu/~snavely/bundler/