sfm
*主要是静态场景外
*低速运动（例如停车场景）
*纹理接地平面（具有足够的跟踪功能）
因此，所提供的样本并不涵盖所有的用例作为其他更复杂的SLAM或SFM算法。
它不是为了解决SLAM任务或通过精确的测距来获得周围环境的完整3D恢复图。
在当前阶段，它可以被认为是更复杂的SFM算法的起点。
例如，在提供的样本中，恢复的3D结构被用作高级处理（停车点检测）的输入。
TX1-SFM:
1 利用Harris特征找到两个连续帧中的特征列表
2 稀疏金字塔形的Lucas-Kanade光流，找到两个连续帧相应的角的位置
3 基于特征的算法（查找基本矩阵和分解基本矩阵）来估计相机运动
4 三角测量重建场景并获得3D点云
5 基于地平面估计的尺度分辨算法(可选)
sfm_config.ini:
pyr_levels = 6
lk_win_size = 10
lk_num_iters = 5
harris_k = 0.01
harris_thresh = 5.0
harris_cell_size = 18
seed = 1234
samples = 1200
errThreshold = 0.5
medianFlowThreshold = 0.5
minPixelDis = 1.1
maxPixelDis = 50.0
camModelOpt = 0
pFx = 723.106140 //沿x轴的焦距
pFy = 723.781128 //沿y轴的焦距
pCx = 512 //主点x坐标
pCy = 512 //主点y坐标
pK1 = 0.0 //第一径向失真系数
pK2 = 0.0 //第二径向失真系数
pP1 = 0.0 //第一切向失真系数
pP2 = 0.0 //第二切向失真系数
## Related Papers ##
**Multiple View Geometry in Computer Vision**, Richard Hartley and Andrew
Zisserman, 2003
**Robust Scale Estimation in Real-Time Monocular SFM for**
**Autonomous Driving**, Song, Chandraker, 2014
Deploying Deep Learning：
1 Classifying Images with ImageNet
2 Locating Object Coordinates using DetectNet
3 Image Segmentation with SegNet
参考链接：https://github.com/dusty-nv/jetson-inference
