- 博客(7)
- 资源 (15)
- 收藏
- 关注
原创 视觉SLAM十四讲 第八讲 视觉里程计2 8.5直接法BA法 代码解析
总体思路提取特征点构建图优化问题边(误差项),在直接法中为光度误差边的增量项光度误差相对于李代数的雅可比矩阵:图像坐标对李代数的雅可比矩阵为 u 处的像素梯度边的误差项_error ( 0,0 ) = getPixelValue ( x,y ) - _measurement;g2o优化库增加顶点增加边(每个特征点一条边)优化迭代代码#include <iostr...
2020-03-24 21:37:47 753
原创 视觉SLAM十四讲 第八讲 视觉里程计2 8.5直接法 代码解析
总体思路随机选取图像点根据选取到的点和depth图、相机内参,获取这些点的三维空间点坐标由三维空间点坐标,相机位姿,投影到第二幅图像的相机坐标,再由相机内参,投影到第二幅图像。在第二幅图像上,遍历每个投影点,并累积该投影点固定窗口半径内的误差和雅可比由雅可比矩阵计算Hessian矩阵和bias矩阵及代价由LDLT分解法,求解增量,并由增量更新位姿T21 = Sophus::SE3d::...
2020-03-24 21:19:50 1023
原创 视觉SLAM十四讲 第八讲 视觉里程计2 8.3 使用LK光流 代码解析
整体思路单层图像的光流对第一帧图像提取FAST角点对提取到的角点提取光流特征检测及描述子生成,调用opencv的GFTTDetector对特征点,假定一个初始的运动量dx=0,dy=0。采用高斯牛顿法,最小化光度误差,求解运动量雅可比矩阵dx/dt,dy/dt即u,v。由u+1的像素值减u-1的像素值,得到dx/dt,同理得到dy/dt。由雅可比矩阵构建 矩阵和 ,代价...
2020-03-24 20:34:16 1114 3
原创 视觉SLAM十四讲 第八讲 视觉里程计2 8.2L-K光流 理论推导
光流描述了像素在图像中的运动,直接法附带着一个相机运动模型。光流是一种描述像素随时间在图像之间运动的方法,如图。随着时间的流逝,同一个像素会在图像中运动,而我们希望追踪它的运动过程。其中,计算部分像素运动的称为稀疏光流,计算所有像素的称为稠密光流。稀疏光流以Lucas-Kanade光流为代表,并可以在SLAM中用于跟踪特征点位置。Lucas-Kanade光流在LK光流中,认为来自相机的图像是...
2020-03-24 15:25:41 520
原创 视觉SLAM十四讲 第七讲 视觉里程计1 Bundle Adjustment公式推导
PnP问题可构建成一个定义于李代数上的非线性最小二乘问题。线性方法往往是先求位姿,再求空间点位置。非线性优化把它们都看成优化变量,放在一起优化。在PnP中,这个Bundle Adjustment问题,是一个最小化重投影误差(Reprojection error)的问题。n个三维空间点P及其投影p,希望计算相机的位姿 R,t\boldsymbol{R,t}R,t ,它的李代数为 $ \bold...
2020-03-24 14:01:47 746
原创 视觉SLAM十四讲 第七讲 视觉里程计1 3D-3D位姿求解 代码解析
总体思路对两幅图像img_1,img_2提取特征点特征点匹配通过相机内参求取特征点对应的相机坐标X,Y,获取特征点的深度信息Z。通过SVD分解,求除相机的位姿R,t。计算质心p1 += pts1[i];p1 = Point3f(Vec3f(p1) / N);去质心q1[i] = pts1[i] - p1;q2[i] = pts2[i] - p2;构建W矩阵q1*q2^T对W矩阵进行...
2020-03-24 11:27:47 813
原创 视觉SLAM十四讲 第七讲 视觉里程计1 3D-2D位姿求解 代码解析
总体思路对两幅图像img_1,img_2分别提取特征点特征匹配通过depth,获得第一幅图像匹配的特征点的深度,由相机内参K恢复这些特征点的三维坐标(相机坐标系)。由第一幅图像中的特征点的三维坐标、第二幅图像中特征点的2D像素坐标,以及相机内参K作为优化函数的输入,分别采用如下方法进行优化牛顿高斯法(1)构建误差方程,由相机位姿、相机内参获得第一幅图像特征点对应的三维坐标到第二幅图像...
2020-03-24 10:32:53 1075
GitHubDesktopSetup.exe
2020-07-07
opencv410+contrib.7z
2019-08-07
machine learning in action
2015-11-07
机器学习实践(高清电子版)
2015-11-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人