1、相機模型，內參數和外參數矩陣，相機標定；
2、極線約束和本征矩陣；特征點提取與匹配；提取到的特征點計算本征矩陣（五對以上的點）findEssentialMat()，需啊要點對，焦距參數，cx,cy參數等；
3、分解本征矩陣，獲取相對變換R和T: int pass_count = recoverPose(E, p1, p2, R, T, focal_length, principle_point, mask);
4、現在已經知道了兩個相機之間的變換矩陣R和T，還有每一對匹配點的坐標。三維重建就是通過這些已知信息還原匹配點在空間當中的坐標.用三角化重建三維模型；proj1和proj2分別為跟R和T相關的3*4矩陣；
//三角化重建 triangulatePoints(proj1, proj2, p1, p2, structure);
//××××××××××××××××××××××多目三位重建××××××××××××××××××××
5、求第三個相機的變換矩陣：
5.1最簡單的想法，就是沿用雙目重建的方法，即在第三幅圖像和第一幅圖像之間提取特征點，然后調用findEssentialMat和recoverPose。那么加入第四幅、第五幅，乃至更多呢？隨着圖像數量的增加，新加入的圖像與第一幅圖像的差異可能越來越大，特征點的提取變得異常困難，這時就不能再沿用雙目重建的方法了。
5.2 那么能不能用新加入的圖像和相鄰圖像進行特征匹配呢？比如第三幅與第二幅匹配，第四幅與第三幅匹配，以此類推。當然可以，但是這時就不能繼續使用findEssentialMat和recoverPose來求取相機的變換矩陣了，因為這兩個函數求取的是相對變換，比如相機三到相機二的變換，而我們需要的是相機三到相機一的變換。有人說，既然知道相機二到相機一的變換，又知道相機到三到相機二的變換，不就能求出相機三到相機一的變換嗎？實際上，通過這種方式，你只能求出相機三到相機一的旋轉變換（旋轉矩陣R），而他們之間的位移向量T，是無法求出的。這是因為上面兩個函數求出的位移向量，都是單位向量，丟失了相機之間位移的比例關系。
5.3我們要怎么解決這些問題？現在請出本文的主角——solvePnP和solvePnPRansac.根據OpenCV的官方解釋，該函數根據空間中的點與圖像中的點的對應關系，求解相機在空間中的位置。也就是說，我知道一些空間當中點的坐標，還知道這些點在圖像中的像素坐標，那么solvePnP就可以告訴我相機在空間當中的坐標。solvePnP和solvePnPRansac所實現的功能相同，只不過后者使用了隨機一致性采樣，使其對噪聲更魯棒，本文使用后者。有這么好的函數，怎么用於我們的三維重建呢？首先，使用雙目重建的方法，對頭兩幅圖像進行重建，這樣就得到了一些空間中的點，加入第三幅圖像后，使其與第二幅圖像進行特征匹配，這些匹配點中，肯定有一部分也是圖像二與圖像一之間的匹配點，也就是說，這些匹配點中有一部分的空間坐標是已知的，同時又知道這些點在第三幅圖像中的像素坐標，嗯，solvePnP所需的信息都有了，自然第三個相機的空間位置就求出來了。由於空間點的坐標都是世界坐標系下的（即第一個相機的坐標系），所以由solvePnP求出的相機位置也是世界坐標系下的，即相機三到相機一的變換矩陣.
6、加入更多圖像
通過上面的方法得到相機三的變換矩陣后，就可以使用上一篇文章提到的triangulatePoints方法將圖像三和圖像二之間的匹配點三角化，得到其空間坐標。為了使之后的圖像仍能使用以上方法求解變換矩陣，我們還需要將新得到的空間點和之前的三維點雲融合。已經存在的空間點，就沒必要再添加了，只添加在圖像二和三之間匹配，但在圖像一和圖像三中沒有匹配的點。如此反復。 
7、多目重建的累積誤差解決？BA方法，如何求解BA？總體思想是使用梯度下降，比如高斯-牛頓迭代、Levenberg-Marquardt算法等