運動推斷結構 (SfM) 是一種攝影測量距離成像技術，用于從可能與局部運動信號耦合的二維圖像序列中估計三維結構。 它在計算機視覺和視覺感知領域進行研究。 在生物視覺中，SfM 指的是人類（和其他生物）可以從移動物體或場景的投影 2D（視網膜）運動場中恢復 3D 結構的現象。

人類通過在周圍移動來感知有關環境中三維結構的大量信息。 當觀察者移動時，周圍的物體會移動不同的量，具體取決于它們與觀察者的距離。 這被稱為運動視差，并且可以使用此深度信息來生成周圍世界的準確 3D 表示。

從運動中尋找結構與從立體視覺中尋找結構存在類似的問題。 在這兩種情況下，都需要找到圖像與 3D 對象重建之間的對應關系。

為了找到圖像之間的對應關系，從一個圖像到下一個圖像跟蹤角點等特征。 最廣泛使用的特征檢測器之一是尺度不變特征變換 。 它使用來自高斯差分 金字塔的xxx值作為特征。 SIFT 的xxx步是找到主導梯度方向。 為了使其旋轉不變，旋轉描述符以適應該方向。 另一個常見的特征檢測器是 SURF。 此外，SURF 不是評估梯度直方圖，而是計算梯度分量的總和及其xxx值的總和。 它使用積分圖像可以非常快速地以高檢測率檢測特征。 因此，與 SIFT 相比，SURF 是一種更快的特征檢測器，缺點是特征位置的準確性較低。最近對運動結構實用的另一種特征是一般曲線，部分 一種稱為無點 SfM 的技術，在點特征不足時很有用，在人造環境中很常見。

然后將從所有圖像中檢測到的特征進行匹配。 Lucas–Kanade 跟蹤器是跟蹤從一幅圖像到另一幅圖像的特征的匹配算法之一。

有時一些匹配的特征會被錯誤地匹配。 這就是匹配也應該被過濾的原因。通常用于去除異常值對應關系的算法。

然后使用隨時間變化的特征軌跡來重建它們的 3D 位置和相機的運動。另一種方法是所謂的直接方法，其中直接從圖像中估計幾何信息，而無需 特征或角點的中間抽象。

有幾種方法可以從運動中構建結構。 在增量 SfM 中，相機姿勢被解決并一個一個地添加到集合中。 在全局 SfM 中，所有相機的位姿同時求解。 一種有點中間的方法是核外 SfM，其中計算了幾個部分重建，然后將其集成到全局解決方案中。

具有多視圖立體的運動結構攝影測量使用從一系列數碼相機和可選的地面控制點網絡獲取的圖像提供超大規模地形模型。 該技術不受時間頻率的限制，可以提供密度和精度與地面和機載激光掃描生成的點云數據相當的點云數據，而成本僅為其一小部分。 運動推斷結構在遠程或崎嶇環境中也很有用，在這些環境中，地面激光掃描受到設備便攜性的限制，機載激光掃描受到地形粗糙度的限制，導致數據丟失和圖像縮短。 該技術已應用于許多環境，例如河流、荒地、沙質海岸線、斷層帶、山體滑坡和珊瑚礁環境。 SfM 也已成功應用于評估河流系統中的大量木材堆積體積和孔隙率，以及通過確定不連續性的方向、持久性等某些特性來表征巖體。 可以使用各種數碼相機，包括數碼單反相機、小型數碼相機甚至智能手機。