假设我有一台行车记录仪的视频。我想用运动技术构造记录场景的点云。首先我需要追踪一些观点。运动与光流的结构
哪种算法可以产生更好的结果？通过使用稀疏光流（Kanade-Lucas-Tomasi跟踪器）或密集光流（Farneback）？我已经尝试了一下，但不能真正做出决定。他们每个人都有自己的长处和短处。
最终目标是获得场景中已录制汽车的点云。通过使用稀疏光流，我可以跟踪汽车的有趣点。但这是相当不可预测的。一种解决方案是在图像中制作某种网格，并强制跟踪器跟踪每个网格中的一个有趣点。但我认为这会很艰难。
通过使用密集的流动，我可以得到每个像素的运动，但问题是，它不能真正检测到只有很少运动的汽车的运动。另外，我怀疑算法产生的每个像素的流动都是准确的。此外，我相信我只能得到两帧之间的像素移动（不同于通过使用稀疏光流，我可以获得沿着时间的相同有趣点的多个坐标）
您的标题表示SFM其中包括姿态估计，
跟踪只是第一步（匹配），如果你想从视频（非常艰巨的任务），点云我想的第一件事，就是束调整这也适用于MVE ，
尽管如此，对于视频我们可以做更多，因为帧ar È太靠近彼此，我们可以使用更快的算法像（光流），/比匹配SIFT /并从中提取˚F矩阵，则：
E = 1/K * F * K
和QR你可以找到R，T，
你也应该初始化为单位矩阵第一图像[R和零为牛逼
你如何能实现这一切，我建议使用OpenCV的或其他图书馆，
回到你原来的问题，什么是更好的：
1）高密度光流，或
2）稀疏的一个。
显然你离线工作，所以没有速度的重要性，但我会建议稀疏的，因为它会使工作更容易估计后来的姿势，（更少的点==>更高的准确性），并且由于角落是重构/不是图像中每个像素的事情/，你可以改变它的参数以适合你，并且你可以初始化（goodFeaturesToTrack）你想要的每一帧数。
多数民众赞成说，我想看看你的工作，如果你能共享代码和视频与我们合作，/它的实际匹配我当前的工作领域，现在/
P.S。：
我会继续编辑这个答案，因为我自己取得了更多进展。 :)
您是否尝试过使用SIFT功能的SfM的常用方法？ – Sunreef
使用两者的情况如何？ – Micka
@Sunreef我刚刚尝试过'追踪（gftt）'的好功能。 SIFT怎么能比'gftt'更有用？ – Hilman