阴影恢复形状法

SFS(Shape From Shading，从阴影恢复形状)法也是一种较为常用的方法。图像的阴影边界包含了图像的轮廓特征信息，因此能够利用不同光照条件下的图像的明暗程度与阴影来计算物体表面的深度信息，并以反射光照模型进行三维重建。阴影恢复形状法的应用范围比较广泛，可以恢复除镜面外的各种物体的三维模型。缺点体现在过程多为数学计算、重建结果不够精细，另外不能忽视的是，SFS法需要准确的光源参数，包括位置与方向信息。这就导致其无法应用于诸如露天场景等具有复杂光线的情形中。

双目立体视觉重建，在实际应用情况优于其他基于视觉的三维重建方法，也逐渐出现在一部分商业化产品上; 不足的是运算量仍然偏大，而且在基线距离较大的情况下重建效果明显降低 。 作为计算机视觉的关键技术之一，立体视觉法也其弊端。例如，立体视觉需要假设空间的平面是正平面，而实际情况却与此相差甚远。除此之外，匹配还存在歧义性：对于一幅图像上的某些特征点，另外的图像可能存在若干个与之相似的特征点。那么如何选取适配的匹配点，显得较为棘手。除此之外，对于如相机运动参数的确定、大型场景重建需要获取多帧图像等问题，也极大的影响了立体视觉的深层次应用。

libpcl filters：如采样、去除离群点、特征提取、拟合估计等数据实现过滤器；

libpcl features：实现多种三维特征，如曲面法线、曲率、边界点估计、矩不变量、主曲率，PFH和FPFH特征，旋转图像、积分图像，NARF描述子，RIFT，相对标准偏差，数据强度的筛选等等；

libpcl I/O：实现数据的输入和输出操作，例如点云数据文件（PCD）的读写；

libpcl segmentation：实现聚类提取，如通过采样一致性方法对一系列参数模型（如平面、柱面、球面、直线等）进行模型拟合点云分割提取，提取多边形棱镜内部点云等等；

libpcl surface：实现表面重建技术，如网格重建、凸包重建、移动zui小二乘法平滑等；

libpcl register：实现点云配准方法，如ICP等；

libpclkeypoints：实现不同的关键点的提取方法，这可以用来作为预处理步骤，决定在哪儿提取特征描述符；

libpcl range ：实现支持不同点云数据集生成的范围图像。

SLAM和三维重建有什么区别？

SLAM：同步定位与地图构建；定谁的位？相机的位，相机在机器人身上，就是定机器人的位。建谁的地图？相机经过地方的地图。二者结合，才能确定机器人在某个地图中的具体位置，和这个场景（地图）下的连续运动轨迹。

三维重建（SFM）：从运动恢复结构。我觉得更像是构建目标的三维模型。