空間點p經過相機成像，映射到圖像上點(x,y)，其中Oc是相機光心，WCS、DCS、ICS分別是世界坐標系、設備(相機)坐標系、圖像坐標系�？臻g點p到相機圖像上點的幾何變換可以用相機內參來描述，具體公式就不說了，可以簡單地理解為相機拍照是對點的幾何坐標變換，而相機內參就是決定這個變換的一些參數(shù)。

繼續(xù)看之前的光學三角關系圖，O1、O2分別是左右相機的光心，現(xiàn)在我們要做的就是確定這兩個相機的相對位置關系：可以用旋轉矩陣R和平移向量T來描述，確定了R和T，兩個相機的位置關系就確定了，這個步驟叫做相機的外參標定。一般的做法是用三維重建的逆過程來做，即由一系列已知的p1、p2和p12來求解光學三角形，估計出最優(yōu)的R、T。簡而言之，外參標定確定相機之間的相對位置關系。

好了，現(xiàn)在我們只需要知道p1、p2的坐標，我們就能輕松算出p12的坐標，完成三維重建。我們把p1、p2稱為一個點對(pair)，他們是同一個空間點在不同相機中的成像點。尋找這樣的點對的過程稱為立體匹配，它是三維重建最關鍵，也可以說是最難的一步。我們都玩過“大家來找茬”，找的是兩幅圖的不同點，而立體匹配則是找“相同點”。對人腦來說，這個問題太easy了，給你同一個物體的兩幅圖，你能輕松找出一副圖像上的點在另一幅圖像中的對應點，因為我們人腦的物體識別、分割、特征提取等等能力實在太強了，而且性能特別高，估計幾歲的小孩就能秒殺現(xiàn)有的最好的算法。

常規(guī)的匹配算法一般通過特征點來做，即分別提取左右圖像的特征點(常用sift算法)，然后基于特征點配合對極幾何等約束條件進行匹配。不過這類匹配算法精度都不是太高，所以人們又想了其它一些方法來輔助匹配，結構光方法是目前用的比較多的，原理不難理解，就是向目標物體投射編碼的光，然后對相機圖像進行解碼，從而得到點對，舉個簡單的例子，我們把一個小方塊的圖案用投影儀投到物體表面，然后識別左右相機圖像中的小方塊，如果這個小方塊很小，看作一個點，那么我們就得到了一個點對。

貼個線結構光的示意圖：

以上說的都是雙目視覺三維重建，實際上還有其它一些重建方法，如早期的探針法，簡單粗暴，直接拿探針在物體表面移動，一個點一個點測坐標；還有一類通過直接測距來進行三維重建，如超聲波、TOF，即對物體表面逐點用聲、光程差來測距，從而得到三維點云；光學方法分為主動和被動兩大類，主動和被動指的是是否向物體表面投光，主動方法有激光掃描、相位測量以及我畢設的研究課題結構光方法等，被動方法有單目視覺(如陰影法)和上文所述的立體視差方法等等。

目前還有一類三維重建方法非常火：SFM(Structure from Motion)，這類方法的特點是不需要相機參數(shù)，僅僅根據(jù)一系列圖像就能進行三維重建，也就是說，你隨便拿個手機對著物體拍一些圖片就能重建這個物體的三維模型，大家可以去體驗下AutoDesk公司的Autodesk 123D Catch，除了近距離物體的三維重建，SFM還有更激動人心的應用：大型場景三維重建，感興趣的可以看看這個Building Rome in a Day，他們在flickr上搜索兩百萬張羅馬的照片，通過亞馬遜提供的計算服務，最終得出整個城市的三維模型，是不是又有云計算、大數(shù)據(jù)的感覺。。。這波人貌似有幾個是Google Earth團隊的。