SLAM学习——建图（二）

最新推荐文章于 2024-08-09 07:54:40 发布

Hansry

最新推荐文章于 2024-08-09 07:54:40 发布

阅读量1w

点赞数

分类专栏： SLAM Visual Odometry 文章标签： SLAM 建图

本文链接：https://blog.csdn.net/Hansry/article/details/76726157

版权

本文深入探讨了SLAM中的稠密地图构建，包括单目建图中的像素梯度问题和逆深度挑战，以及图像间的变换。还介绍了RGB-D传感器在稠密建图中的应用和外点去除、降采样滤波器的使用。最后，文章讨论了八叉树作为高效地图存储结构的优势，以解决点云地图的大小和运动物体处理问题。

摘要由CSDN通过智能技术生成

1.对单目构建稠密地图的讨论

像素梯度的问题

在前面中，通过块匹配来获得匹配结果。块匹配的正确与否，依赖于图像块是否具有区分度，有明显梯度的小块将具有良好的区分度。对于梯度不明显的像素，将比较难估计其有效深度。立体视觉一个常见问题：对物体纹理的依赖性。

像素梯度与极线的关系：像素梯度平行于极线方向以及垂直于极线方向。
像素梯度垂直于极线：当沿极线寻找的时候，发现匹配程度是一样的，得到不到有效匹配。
这里写图片描述
像素梯度平行于极线：能够精确的找到匹配程度最高的地方。

这里写图片描述

但是实际上极线与相机深度是有一定的角度的，从上面我们可以看到角度越大，匹配的不确定性越大，角度越小，匹配的不确定性越小。

逆深度问题

当我们描述一个点时，可以用（x,y,z）三个量来描述，而这三个亮可能存在明显的相关性，如果不太好。我们可以描述成（u，v）和d来表示一个点，毕竟相互独立。我们假设的是深度值满足高斯分布 $d\sim N(u,\sigma ^{2})$
但是，存在以下问题：
1.场景深度大概5-10米，但近处肯定不会小于相机焦距。这个分布并不是像高斯分布那样，形成对称形状，尾部可能稍微长一点，而负数区域为0。
2.在室外应用中，存在距离非常远的点，高斯分布描述他们会有数值计算上的困难。
因此我们设深度的倒数，即逆深度 $d^{-1}$ 为服从高斯分布，可修改上述程序。

图像间的变换

在块匹配之前，做一次图像到图像间的变换是一种常见的预处理方式。我们假设图像小块在相机运动时保持不变，而这个假设在相机平移时能保持不变，但是发生明显的旋转时难以保持。

根据相机模型，参考帧上的一个像素 $P_{R}$ 与真实的三维点世界坐标 $P_{W}$ 关系为： $d_{R}P_{R}=K(R_{RW}P_{W}+t_{RW})$ ，对于当前帧，亦有 $P_{W}$ 在它上面的投影。 $d_{C}P_{C}=K(C_{CW}P_{W}+t_{CW})$ ，消去 $P_{W}$ ，可以得到俩副图像之间的像素关系。