Bundler的安装和配置
作者：Joseph Pan （转载请注明出处http://www.cnblogs.com/weizhoupan/archive/2011/03/05/Intro_on_Bundler.html)
一、什么是Bundler
Bundler是一个采用C和C++开发的称为sfm（struct-from-motion）的系统，它能够利用无序的图片集合（例如来自网络的图片）重建出3D的模型。最早的版本被用在Photo Tourism的项目上。
Bundler的输入是一些图像、图像特征以及图像匹配信息，输出则是一个根据这些图像反应的场景的3D重建模型，伴有少量识别得到的相机以及场景几何信息。系统借用一个由Lourakis 和Argyros提供的称为Sparse Bundle Adjustment的开发包的修改版，一点一点递增地重建出图像场景。Bundler已经成功的应用在许多网络相册系统，尤其是一些建筑相册里。
下面我们就来了解一下Bundler的下载、安装和开发环境配置。
二、Bundler的下载
Bundler的下载页面在：http://phototour.cs.washington.edu/bundler/
如果只需要得到windows下的可执行文件，可以直接下载：bundler-v0.3-binary.zip
如果需要得到源代码，则可以下载目前较新的版本：bundler-v0.4-source.zip 或者：bundler-v0.4-source.tar.gz （两者没区别，后者是Linux下的常用压缩格式）。
三、Bundler的安装配置
以Windows为例。下载Bundler后，将其解压到一个路径，比如：E:\bundler（下面都以BASE_PATH来代替）
在成功执行Bundler前，我们需要做几步准备工作：
1.下载和安装Cygwin。Cygwin是许多自由软件的集合，最初由Cygnus Solutions开发，用于各种版本的Microsoft Windows上，运行UNIX类系统。由于Bundler默认是通过在Unix环境下执行shell脚本来启动Bundler的，因为在Windows环境下需要安装Cygwin以执行shell脚本。
要下载cygwin，直接在setup.exe上点右键“另存为”即可。也可以复制右边这个地址：http://cygwin.com/setup.exe
cygwin的安装比较简单，可以参考这篇教程：http://www.programarts.com/cfree_ch/doc/help/UsingCF/CompilerSupport/Cygwin/Cygwin1.htm
但要注意一点，Bundler程序中会使用perl、python来进行一些预处理，因此在安装过程中需要把Devel、Perl、Python三个组件库都选上。
下载安装的时间比较久，需要等待一段时间。安装过程中一些杀毒软件（比如360）可能会提示一些安全警告，无视即可。
2.下载特征检测器。Bundler推荐使用SIFT来进行特征提取，可以到SIFT的作者David Lowe的主页上下载他提供的SIFT Demo作为我们的检测器。下载页面为： http://www.cs.ubc.ca/~lowe/keypoints/ 或者直接点击右边的下载地址下载：SIFT demo program (Version 4, July 2005)
下载完成后，解压该文档，将目录下的siftWin32.exe文件拷贝到BASE_PATH\bin目录中。
3.准备图片。将要进行分析处理的图片放到一个目录里，比如BASE_PATH\Pictures\中（下面也统一以Pictures代替图片目录）。作为例子，Bundler自己也提供了两套图片，分别放在BASE_PATH\examples\ET和BASE_PATH\examples\kermit中。
4.运行Bundler。打开Cygwin，cd定位到BASE_PATH目录下，然后输入下面的命令：
./RunBundler.sh Pictures
关于Bundler还提供了许多种命令行选项，具体的用法可以参考BASE_PATH\README.txt文件。
如果只想测试一下例子的图片，则可以键入：
./RunBundler.sh examples/ET
./RunBundler.sh examples/Kermit
图2就是运行ET例子的截图：
图2 Windows下使用cygWin执行Bundler的结果
Linux下的安装则简单一些。主要的区别在于以下几点：
1.由于Linux本身支持shell，因此不需要安装Cygwin。
2.下载Lowe的SIFT Demo后，自带的siftWin32.exe已不可用。需要通过手动make编译得到sift的可执行文件。完成后将sift文件拷贝到BASE_PATH\bin目录中。
3.完成了上面两步后还不够，如果直接执行RunBundler.sh脚本，会提示图3所示的错误。
图3 提示缺少共享库文件错误
这是因为我们没有设置好共享库。最直接的做法是将BASE_PATH\bin目录下的libANN_char.so复制到/lib中：
$ sudo cp libANN_char.so /lib
此时再执行一次RunBundler.sh脚本，即可顺利执行完毕得到结果，如图4所示。
图4 Linux下Bundler的运行结果
四、Bundler的输出格式
我们可以在BASE_PATH\Bundler目录下找到生成的结果。如图5所示。
图5 Bundler目录下存放的处理结果
Bundler输出的文件大多以“bundle_*.out”的形式来命名，我们称之为“bundle文件”。缺省命令下，Bundler在每张图片经过分析和注册（register）后都会输出一个相应的bundle文件用来保存当前的状态信息，并以“bundle_<n>.out”的形式命名。当所有的文件都注册后，Bundler就会输出一个最终的文件“bundle.out”。另外，每一回合结束时还会紧接着生成一些后缀名为“ply”的文件，这些文件包含的是经过重建后的相机和点的信息。这些ply文件可以通过使用专用的查看器scanalyze来查看，地址为：http://graphics.stanford.edu/software/scanalyze/
这些bundle文件包含了一些经过估算得到的场景和相机几何信息。文件的格式如下：
# Bundle file v0.3
<num_cameras> <num_points> [2 integers]
<camera1>
<camera2>
...
<cameraN>
<point1>
<point2>
...
<pointM>
每一个camera实体<cameraI> 的值是估算得到的相机内部和外部参数，形式为：
<f> <k1> <k2> [the focal length, followed by two radial distortion coeffs]
<R> [a 3x3 matrix representing the camera rotation]
<t> [a 3-vector describing the camera translation]
每个相机的排序根据其在图片列表中的出现顺序来指定。
每个point实体<pointI>格式为：
<position> [a 3-vector describing the 3D position of the point]
<color> [a 3-vector describing the RGB color of the point]
<view list> [a list of views the point is visible in]
其中，view list存放的是每一个点所在的场景列表的信息，开头第一个数是每个场景列表的长度信息，然后紧接着分别是相机索引信息、该点所在的SIFT关键点序列的索引信息，以及该关键点所在的位置。
根据这些bundle文件内容以及小孔成像模型，我们就可以大致得到每台相机的参数：
focal length (f),
two radial distortion parameters (k1and k2),
rotation (R),
translation (t)。
按照下面的法则我们可以将一个3D点X投影到参数为(R,t,f)的相机中：
P = R * X + t (conversion from world to camera coordinates)
p = -P / P.z (perspective division)
p' = f * r(p) * p (conversion to pixel coordinates)
其中，P.z是P的z坐标值。r(p)是一个用来计算出径向畸变（radial distortion）校正的尺度变量值的函数：
r(p) = 1.0 + k1 * ||p||^2 + k2 * ||p||^4.
最后，利用上面的公式还可以得到相机的方向（viewing direction）为：
R' * [0 0 -1]' (i.e., the third row of R or third column of R')
其中，' 表示一个矩阵或者向量的转置，而相机的空间位置就为：
-R' * t .
五、总结
本文介绍了如何使用Bundler来根据图片得到相机参数以及一些空间点云数据，并详细介绍了它在Windows和Linux下的安装和配置方法，以及输出结果的格式。得到的数据将能够运用在3D重建中。利用Bundler可以得到较为稀疏的点云（point clouds）数据。如果需要得到更密集的点，可以使用Yasutaka Furukawa博士写的另外一个非常强大的软件包，称为PMVS2。一种比较常见的途径是使用Bundler来得到相机参数，然后使用Bundle2PMVS程序，将生成结果转换为PMVS2的输入，然后使用PMVS2来得到更密集的点云。另外，读者们可能会对另外一个同样由Furukawa博士开发的实用工具——CMVS感兴趣，CMVS是一个场景聚类程序，在使用PMVS2前可以使用它来进行一些预处理。
下一篇博文将进一步介绍如何在Linux下编译Bundle的源代码。
