引言
介绍了通用RPC模型的表达式，which has been down to death
描述了RPC模型产生误差的原因——主要与定义传感器方位的姿态角有关。
每个影像都会对应一个三维点云，但是对同一地物拍摄的不同影像对应出来的三维点云是不一样的，所以才需要进行BA来约束
示例说明RPC精化对多视图三维重建的好处。( a )从四组不同的卫星影像中计算出独立的点云。( b )模型在对象空间中的相对位置，采用未精化的RPC模型。( c )模型在对象空间中的相对位置，采用本文方法修正后的RPC模型。RPC不准确会导致不一致的重建，这些不一致的重建会累积在不同的层中，如( b )所示。精化后的RPC解决了这一问题，提供了精确对齐的模型，如( c )所示。
光束法平差BA
BA是联合优化多个相机的内外参数和它们观察的物体的3D位置的问题。给定K个三维点的初始集合{ Xk } k = 1，..，K，以及它们在M个相机上的二维观测值xmk，投影函数{ Pm } m = 1，..，M：R3→R2，光束法平差通过最小化该集合的重投影误差来寻找最优解
相关工作
直接
直接方法实现补偿函数，直接修改RPC参数，一般用GCP修正：在3D物体空间中的绝对位置已知的图像中看到的连接点。
在没有GCP的情况下，关键点特征可以用来推断两幅或多幅图像之间的替代点集，并在输入相机之间进行相对(而不是绝对)校正。
直接方法需要更多的连接点
间接
基于最小化一组连接点的重投影误差的BA方法。
BA之后的每个连接点投影到平面时应该都非常精确。
重投影误差来源？
在卫星图像的情况下，由于相机距离地球表面(通常在500公里以上)较远，重投影误差的主要成分来自于对卫星方位的不准确。
理想情况下，将每个投影函数Pm与一个3D变换Rm组合在一起，可以最小化(3)式中的能量，其目的是使相机相对于物体坐标重新定向。这样问题就可以重新表述为
与姿态角有关的RPC误差的净影响在覆盖长度达50公里的图像中减小到2D平移(也称为校正偏移)。基于这一观察，针对这类场景的偏差补偿方法的共同点是为每个RPC模型优化一个二维校正偏移量。相当于在图像域中找到最小化的2D平移Tm。
注意( 4 )在原始RPC投影之前插入校正变换，而( 5 )在原始RPC投影之后插入校正变换。
是否需要BA？
对于感兴趣的小区域，覆盖长度可达几百米或几千米，RPCs可以局部建模为仿射相机，使用一阶泰勒近似。
只要有足够多的连接点，运行光束法平差来精化RPC模型似乎是一个更自然、约束更小的问题解决方案。为了进一步探索这个问题，我们将我们的方法与一种可用于显式注册独立稠密曲面模型的替代算法进行比较( 4.4节)。
方法
我们提出了一种光束法平差方法来精化一组从不同角度观测某一AOI的卫星图像的RPC模型。我们的目标是产生一组相互一致的校正RPC模型，这将导致由立体重建管道处理的不同立体对导出的相应点云估计值的自动对齐。
我们的方法的框图如图2所示。管道的第一部分专门用于特征跟踪，用于初始化输入图像中观察到的一组连接点的像点和物方点坐标。将连接点及其图像观测值，连同输入的相机模型，输入到管道的第二部分，解决了光束法平差问题。基于该解，最终为每一幅输入图像拟合出一个修正的RPC模型。链的不同区块在下面的小节中进行了详细的说明。
图2：RPC改正的光束法平差方法框图。虚线方块表示可选但推荐的处理，意在提高精度和/或效率。
特征跟踪
如第1节所述，光束法平差问题是基于一组连接点在输入相机上的重投影来解决的。包含在多幅图像中观察一个3D点的2D坐标列表称为特征轨迹(图3 )。特别地，在我们的方法中使用的特征轨迹来自于不同关键点的成对对应。该部分详细介绍了特征跟踪阶段所涉及的模块，如图2所示。
特征检测
我们使用SIFT方法从输入图像中提取独特的关键点。每个SIFT关键点由128个值的描述符识别，对图像的平移、旋转和缩放具有不变性。SIFT描述子对多种图像变换也具有很好的鲁棒性，如视角的微小变化、噪声、模糊、对比度变化或场景变形等。
对于大图像，限制每个视图的最大关键点数可以有效地调节匹配步骤的成本，这通常代表了特征跟踪算法的瓶颈。为此，我们将每个图像的SIFT特征从最粗到最细的尺度进行排序，并选择第一个Nkp关键点进行匹配步骤。其原理是粗略的关键点受图像噪声的影响较小，因此更容易在其他图像中看到。在这项工作中，我们考虑了Nkp的一个很大的值，每幅图像允许60000个SIFT关键点。较低的Nkp值，例如只有几千个点，可以用于加速特征跟踪阶段，但有可能损失精度的风险。这是因为较粗尺度下的关键点定位精度较低。这段没读懂
立体像对选择
特征跟踪的一个关键方面是定义哪些图像对适合被匹配来构建特征轨迹，以及哪些图像对可以被省略。避免不必要的配对是节省计算时间和防止误匹配的最有效方法，这将导致光束法平差问题产生错误的连接点。
算法1根据两幅图像在UTM坐标系下的投影面积重叠度，从所有可能的立体像对中选择合适的影像对进行匹配。待匹配对列表用pair _ to _ matching表示。在该列表中的所有对中，提供良好基线与高度比的对的子集被存储在pair _ to _ triangulate中。pair _ to _ triangulate中的对用于定义与每个特征轨迹相关的3D连接点(第3.1 . 5节)。对于不属于pair _ to _ triangulate的pair _ to _ match中的配对，如果它们是至少一个三角剖分对中包含观测值的特征轨道的一部分，则保留它们对光束法平差阶段重投影误差的贡献。
像对匹配
对于pair _ to _ match列表中的每个立体对，使用自动快速近似最近邻算法匹配SIFT关键点。匹配的搜索仅限于位于图像区域内的点，对应于它们的地理足迹的交点。
特征轨道观测值的不匹配会严重影响光束法平差性能，导致光束法平差失败或出现强偏差。我们通过距离比率测试来去除错误的匹配，其相对阈值为0.6。可选的是，如果图像覆盖小的地理足迹，并且局部仿射相机近似成立，如第2节所述，这可以使用基本矩阵2进行RANSAC几何滤波。
匹配关键点的近似地理坐标之间的距离dgeo也被用来进一步去除成对的误匹配。dgeo是以米为单位计算的
其中xref，yref和xaux，yaux分别是关键点及其匹配的图像坐标。每个点的近似地理坐标由两个摄像机的定位函数得到，记为L，并在一定的参考高度上进行评估，即zref。参考海拔高度可任意设置为图像脚印中心处的SRTM海拔高度。将地理坐标转换到UTM系统中计算dgeo。
dgeo的值应集中在由RPC误差引起的偏移量附近。在存在异常值的情况下，这种距离，如果排序，通常描述一个定义良好的肘形函数。基于该观测值，利用肘点(即相对于由最小和最大dgeo值定义的线有最大距离的点)自动设置异常值剔除阈值τ，如图4所示。如果τ拒绝超过20 %的匹配，则假设分布不服从肘形，即不存在阈值。
成对匹配结果示例。右边的图用蓝色表示，使用( 6 )计算立体对( x轴)的每一个匹配的排序近似地理距离dgeo ( y轴)。利用肘点自动设置异常值剔除阈值τ (红色)。肘点被定义为相对于虚线距离最大的点，即由具有最小和最大y值分布的点定义的线。
特征轨迹构建
递归合并寻找算法有效地将成对匹配扩展到任意长度的特征轨迹(算法2 )。属于同一轨迹的关键点被赋予一个共同的父值。该策略与立体像对的匹配顺序无关。
特征轨迹三角化
投影到每个特征轨迹上的连接点的物方点坐标 通过 对轨迹的所有成对匹配进行三角化并取其结果的3D位置的平均值来初始化(算法3 )。采用RPC三角化算法，即算法3中的三角化算法，对RPC相机模型的关键点对应关系进行三角化。
特征轨迹选择
在大尺度场景中，使用最优的航迹子集可能从两个方面有利于光束法平差：
1 .通过去除冗余约束来加快进程和减少内存使用。
2 .由于剔除了定位误差较大的轨道，提高了标定精度。
RPC模型精化的光束法平差
光束法平差本质上是一个非线性加权最小二乘问题，可以写成一般形式为
其中wi是权重，ri是用于计算第i个特征跟踪观测的重投影残差的非线性函数
式( 11 )中的向量x包含所有待估计的参数，由1校正每个相机模型所需的参数、2连接点的物方坐标。
1的初始值定义了一组补偿RPC不准确的旋转，2的初始值是经过特征轨迹三角化步骤后得到的。
将校正后的连接点与校正后的相机模型进行投影，理想情况下应匹配相应的特征轨迹观测值。由于SIFT特征点的定位带有一定程度的噪声，因此需要一个最小的亚像素误差。
接下来的章节介绍了相机校正参数以及图2中光束法平差阶段相关的优化过程的细节。
摄像机校正参数
通过绕相机中心的校正旋转来精化输入的RPC模型，从而补偿定义卫星方位的姿态角误差。给定一个三维点X，其光束平差投影为
式中：xBA = ( rBA、cBA)，即光束法平差后的图像坐标，P为输入RPC模型的未精细化投影函数，R为光束法平差估计的校正旋转。相机中心C由每个RPC模型回归出一个投影模型得到，并且在优化过程中保持不变。校正旋转R被初始化为单位矩阵，并使用欧拉角表示，这包含三个值来优化每个相机：
其中φ m、θ m和α m是第m个相机需要优化的3个欧拉角。关键的区别是在这项工作中，估计的旋转校正了原始的RPC模型本身，而不是近似它的局部仿射相机。
数值优化
捆绑调整问题是使用信赖域反射方法迭代求解大规模边界约束非线性最小化问题[ 8 ]。我们的代码使用了开源Python库SciPy4的实现，其中使用了LSMR求解器5 [ 19 ]。该算法不需要显式计算问题的导数，而是利用雅克比的稀疏结构进行有限差分估计，以加快优化过程[ 13、4]。
信赖域方法可以看成是Levenberg - Marquardt算法(这两种方法都是阻尼牛顿步法)的一个进化，它能够跟随目标函数的负曲率以更快的收敛到[ 5,27,43 ]。附录A中给出了束平差问题的阻尼牛顿法和大型稀疏雅可比矩阵构造的进一步细节。
当代价函数的变化值降到某个阈值以下时，数值优化停止迭代，由一个ftol容差值控制。类似地，用于终止检查自变量变化的其他公差( xtol )和梯度的范数( gtol )也被使用。ftol、xtol和gtol的默认值分别设置为10 - 4、10 - 10和10 - 8。
基于代价函数和重投影误差的滤波
除了在pairwise matching步骤中进行的异常值拒绝测试外，文献中还研究了各种各样的兼容策略，以进一步最小化光束法平差问题中错误观测的影响。剔除一系列初始迭代后重投影误差超过一定阈值的点是一种流行的策略[ 39、44、29]。另一些方法使用对偶然较大残差具有鲁棒性的代价函数，或者根据每个观测值[ 43、3、47 ]的重投影误差进行迭代重加权。
Rpc模型拟合
经过光束法平差优化后，对每幅输入图像拟合一个新的RPC模型。新模型编码了校正后的投影函数PBA，它由估计的旋转矩阵R和输入的RPC投影函数P组成，定义如式( 12 )所示。
由已知三维坐标( X、Y、Z)和图像坐标( r , c)的第i个连接点导出的RPC拟合误差，可以表示为两个分量( δri , δci)的向量。
其中δ ri和δ ci是投影图像坐标与真实图像坐标在像素单元上的差异。向量a，b，e，f各包含20个系数，定义了刻画RPC投影函数( 1 )的三次多项式a，b，e，f，即.
反过来，向量ui包含了( 2 )中与每个多项式系数相关的变量。
物方空间的漂移校正
实验
本部分旨在评估提出的用于RPC校正的光束法平差流水线的性能。首先，我们介绍了数据、评估过程和评估指标。其次，我们简要介绍了一种基于几何的DSM配准方法，该方法在不进行任何RPC校正的情况下，对来自不同立体像对的DSM进行配准，并对我们的方法进行了比较。最后，从定量和定性的角度对实验结果进行了分析。
数据
我们在两个时间序列的SkySat全色L1B帧上测试了我们的方法，每个时间序列覆盖了一个特定的AOI。每个时间序列由一组在不同日期获得的部分重叠图像组成(图6 )。SkySat L1B帧的最低分辨率为0.72 m / pixel，总尺寸为1349 × 3199 pixel。下面将详细介绍SkySat获取的主要特点及各系列。
图6：SkySat影像时间序列示意图。在时间序列的每个获取日期Di处，可以获得覆盖某个感兴趣区域的部分重叠视图的集合。
Skysat采集几何
SkySat在其采集平台上有3个交错的传感器(图7 ( a ) )，每个传感器一次采集连续的单帧条带图像(图7 ( b ) )。横跨条带的最小条带宽度为地面上的6 . 6 km。不同条带的图像之间以及同一条带[ 14、1 ]的图像之间存在较小的重叠。
SkySats可以提供三立体采集，可用于三维重建[ 36 ]。三立体采集模式产生图像三元组，由每个区域的前视、天底视和后视组成，取自同一轨道，时间差为几秒钟。因此，每个条带的内容至少在三体数据中出现三次(图7 ( c ) )。
图7：( a ) SkySat焦平面方案。传感器的上半部分用于全色捕获( PAN )，下半部分用蓝、绿、红和近红外( NIR )滤波器分为4个波段。( b ) SkySat的获取方案，每个传感器获取的条带帧以不同的颜色进行概述。( c ) SkySat三视立体获取重叠视数。
时间序列描述
Richards Bay：136幅图像，分布在5 - 6组，超过24个采集日期，从2020年1月到5月。AOI面积为1 km2，覆盖了Richards Bay的部分区域(图8 ( a ) )。连续日期之间的最大时间间隔为20天(图9 ( a ) )。
莫伦西矿：3次全立体图像，来自2019年1月的3个不同日期。每张三视图采集量为100幅图像，共303帧。AOI (图8 ( b ) )面积为62 km2，覆盖了莫伦西铜矿。如图9 ( b )所示，连续日期之间的时间间隔为几个小时。
图8：在左边，每个时间序列的选定感兴趣区域( Area of Interest，AOI )，用黄色标记，由蓝色虚线勾勒的SkySat L1B帧集合覆盖。右侧为经过RPC校正后的多视立体重建得到的AOI数字表面模型( digital surface model，DSM )。
图9：每个采集日期的图像数量和连续日期之间的时间距离。
值得注意的是，Richards Bay系列中的所有图像都是由同一个传感器( (图7中的传感器2 ( a) )采集的，而莫伦西Mine的采集包含了每个日期的3个条带，即来自3个SkySat传感器的图像。此外，需要注意的是，在所关注的AOI中，所有的图像都不受云层的影响。
评估程序
RPC校正是以逐日的方式进行的，正如在[ 30 ]中一样，解决了时间序列中每个日期的相机组的独立光束法平差问题。这保证了每个组的场景几何是连贯的，如果同时处理多个日期则不能保证这一点。
我们通过测量该方法对来自相同采集日期的不同立体像对的三维重建配准的实际影响来评估该方法的性能。为此，对每一对立体像对，利用光束法平差得到的校正RPC模型，通过卫星立体管线S2P[ 15、11 ]生成DSM。
由此产生的成对DSM被限制在AOI在每个立体像对中可见的部分，如图10所示。如果RPC校正成功，则每个日期的成对DSM应在对象空间中自动配准。这使得我们可以通过在DSM的每个单元格中取平均高度值，很容易地将它们合并成一个更稠密和高精度的整个AOI的模型。图10说明了对时间序列的每个日期进行的完整的多视图立体重建过程。
图10：在时间序列的每个采集日期运行多视图立体重建过程。利用S2P [ 11 ]获取的不同立体像对的DSM，利用校正后的RPC模型，通过取每个单元格处的平均高度值，合并为整个AOI的完整DSM。
我们计算每个时间序列所有日期的平均评价指标。值得注意的是，所提出的日期评估程序并不寻求登记来自不同采集日期的DSM。通过将时间序列拆分为独立的光束法平差问题，我们的目标是衡量在单一日期场景下可以达到的相机之间的一致性程度，而不会因为AOI的几何形状随时间的变化而影响解决方案的风险。
评价指标
本文采用以下指标来评估光束法平差的作用：
- 特征轨道数：用Ntracks表示，它对应于执行光束法平差的特征轨道数。
- 迭代次数：用Niters表示，它对应于数值优化完成的迭代次数。这个数量来自于最小化成本函数( 14 )和( 15 )所需的迭代次数的增加。
- 重投影误差：用ρ表示，它相当于平均重投影误差，根据欧氏距离和像素测量，即从所有特征轨迹观测中获得。
- DSM高度偏差：用σ height表示，该指标量化了同一采集日期不同立体像对反演的对应高度值的一致性。它是通过计算在两两DSM (即图10中的中间图像)中出现的2D点的平均逐点标准差(以高度和米为单位)得到的。理想情况下，这些DSM应该精确重合，标准差等于零。σ高度可视化示例如图11所示。图11中的小孔或未填充部分对应于AOI的点，这些点至少被两个成对的DSM看不到，其中σ高度无法计算。
与基于几何的DSM配准进行比较
我们将所提出的捆绑调整方法与算法6中描述的基于几何的策略进行了比较，该策略可以显式地对齐稠密表面模型。如第2节所述，处理地理覆盖范围较小的图像可以将RPCs当作仿射相机进行局部近似。然后，通过在对象空间中应用3D平移来校正与RPC不准确相关的地理定位误差，以配准来自不同立体像对[ 18、41 ]的3D模型。
算法6基于3D点对齐独立的DSM，此外，它还使用原本用于生成DSM的全色帧。使用基于图像的特征来计算点云配准的变换是3D视觉[ 40、9、35]中一种成熟的方法。在合理的视角下，与经典的完全依赖三维坐标的点云配准方法相比，如迭代最近点( ICP )算法及其变体[ 6 ]，这种策略可以提供一定的优势(如快速求解、对不同云格式的鲁棒性或粗略初始化等)。
正如文献[ 41 ]所指出的那样，DSM配准策略对于超大规模的场景几乎没有可扩展性，可能需要成百上千个表面模型进行配准。根据4.2节介绍的评估过程，我们以逐日的方式运行算法6，以注册从相同采集日期的立体像对中获得的DSM。将得到的高度偏差，即σ高度，与基于所提出的RPC修正管道的模拟试验得到的值进行了比较。
结果
我们使用 三种不同的配置 对所提出的光束法平差方法进行了实验。BA - v1对应于本文提出的仅使用其非备选块的光束法平差流水线，如图2所示。BA - v2融合了光束法平差阶段的两个可选块，专门用于过滤异常连接点观测值。BA - v3额外激活了特征轨迹选择，因此使用了图2中的所有块。得到的评价指标如表2所示。还报告了用原始未精化的RPC模型和算法6得到的避免了任何RPC校正的度量。
与[ 1 ]类似，对于莫伦西Mine数据，每个SkySat传感器的图像是独立处理的，即每个传感器条带对应的AOI被分成三个较小的AOI，我们提供了三个条带的平均评价指标。这就排除了3个传感器(例如,镜头畸变)的内参数之间可能存在的不一致性。
表2：SkySat影像两个时间序列的定量结果。基于几何的DSM配准参照算法6。BA - v1对应于本文提出的利用其全部非选择性块进行光束法平差的流水线(图2 )。BA - v2融合了光束法平差阶段的两个可选块，专门用于过滤异常连接点观测值。最后，BA - v3额外激活特征轨迹选择，从而使用图2中的所有块。
BA RPC改正结果实现了DSM的精确配准。光束法平差RPC模型成功实现了同一采集日期不同立体像对重建的DSM在物方空间的精确对齐。这反映在高度值的低偏差，σ高度，在两个系列中达到几十厘米的平均值，通常在半米以下。对于理查兹湾，无论光束法平差配置( BA - v1、BA - v2或BA - v3)如何，我们都得到了类似的σ高度值。这似乎是合理的，因为理查兹湾代表了一个并不特别具有挑战性的情景，那里的AOI很小，而且大多是平坦的。而对于莫伦西矿来说情况则不同，其占地面积广阔且多山地，地形起伏较为不规则。因此，需要处理更大范围的海拔高度和更多数量的特征轨迹和相机。与莫伦西Mine相关的σ高度从BA - v1提高到BA - v3，显示了经过一些初始迭代后的重投影误差过滤( BA-v2 )以及特征轨迹选择( BA-v3 )的好处。使用完整管道( BA-v3 )，σ高度几乎降低到使用基本块体( BA-v1 )的一半。
与基于几何的DSM配准相比，BA RPC校正具有更高的鲁棒性。
使用完整管道( BA-v3 )修正的RPC模型提供了较低的σ与采用基于几何的DSM配准(算法6 )的等效实验相比。同样，对于Richards Bay数据，结果很接近，但对于莫伦西矿点有更强的差异，其大小需要对齐更大的一组独立的DSM (图11 )。视觉检查显示，这是因为仅基于稠密模型的几何的配准方法受限于立体改造制作过程中产生的较差结果。算法6通过假设输入的DSM几何图形是相干的来补偿由相机模型得到的地理定位误差，这种误差可能并不总是真实的，例如由于离群点或不完整的部分。相反，我们的RPC校正的光束平差方法在立体重建过程之前以完全独立的方式应用，并与场景的几何结构一起优化相机模型。光束法平差可以很好地处理初始几何估计不准确的问题，这是一个关键的优势。
图11：每个时间序列的一个采集日期对应的DSM高度值的偏差，σ高度。来自不同立体像对的144个DSM用于覆盖莫伦西矿AOI (每个传感器条有48个DSM)，而对于理查兹湾较小的AOI，4个成对DSM就足够了。计算了σ高度，其中至少有两个成对DSM重叠，这只发生在理查兹湾的某些波段。立体测深后的几何配准在莫伦西矿井左上角附近无法对齐部分DSM，在使用光束法平差RPC计算模型时进行了校正。
所提出的管道可能会在立体匹配的挑战性场景中挣扎，这对于保证所有相机在连接点观测方面是必要的。然而，稠密的立体重建在寻找立体匹配的困难面前也容易失败。通过扩展，这个弱点与立体摄影测量稠密重建的任何几何配准方法间接共享(在一定程度上)，正如算法6的情况一样。
特征轨道选择提高了光束法平差的收敛性和精度。当使用算法4选择合适的特征轨迹子集时，光束法平差的平均迭代次数显著减少。从表2中的BA - v2到BA - v3，Niter至少下降了30 %。对于Richards Bay，BA - v3达到了非常相似的DSM配准( σ高度)，与使用所有轨道的等效游程( BA-v2 )相似。对于莫伦西矿，使用BA - v3后，σ高度显著提高。待注册的摄像机越多，似乎更重要的是优先考虑长轨迹和在所有图像中使用平衡集。在算法4中，我们设置KEG = 60，以确保每个相机至少使用60个轨道观测值，如果可用。我们的流水线的重投影误差滤波步骤( 3.2 . 3节)可能会进一步减少特征轨迹选择后每个相机的连接点观测值，因此我们选择了比文献[ 12 ]中建议的更慷慨的KEG值，其中KEG = 30。
结论
提出了一种改进卫星影像RPC相机模型的通用流程，并使用在两个不同感兴趣区域的多个日期获取的SkySat图像集进行了测试。通过将原始RPC投影函数与绕相机中心的旋转变换相结合，修正了由于传感器定位不准确而产生的误差。该方法依赖于图像之间独特的点对应关系的识别，这些点对应关系被用于自动推断在输入相机中观察到的一组连接点。通过运行束平差找到与每个RPC模型相关的校正旋转，以最小化连接点的重投影误差。此外，还详细介绍了一种选择最优连接点子集的策略，以去除光束法平差问题中的冗余约束并提高其性能。
对于每个输入相机，本文提出的流水线基于光束法平差解算输出一个新的、经过校正的RPC模型。输出的相机高度一致，在共同的参考系中，因此可以直接用于3D多视图重建。通过测量从同一采集日期的不同图像对计算的表面模型的相应高度值之间的标准偏差来验证这一点。使用SkySat L1B数据，我们观察到这种偏差的平均值在使用了精化的相机模型之后，从米的数量级降低到了几十厘米的数量级。
最后，将所提出的方法与另一种先进的解决方案进行了比较，该方法通过直接配准独立局部模型的几何形状来避免任何RPC校正步骤。当连接所有相机的连接点足够多时，我们得到用于RPC校正的光束法平差表现出更好的性能。这主要是因为光束法平差不仅可以同时优化相机模型，还可以同时优化场景几何，因此对初始几何估计不准确具有鲁棒性。相反，纯粹基于几何的三维模型配准方法会受到稠密立体重建带来的误差的影响。