SLAM前端：对极几何、三角测量

最新推荐文章于 2023-09-07 14:17:40 发布

LittleEmperor

最新推荐文章于 2023-09-07 14:17:40 发布

阅读量1.2k

点赞数 2

分类专栏： SLAM

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/LittleEmperor/article/details/105192747

版权

SLAM 专栏收录该内容

14 篇文章 6 订阅

订阅专栏

对极几何在ORBSLAM初始化过程中求解两帧的R、t，输入两帧图像的多对匹配点，对极几何计算得到R、t

三角测量在单目ORBslam初始化过程中计算初始化点云的3D坐标，输入两帧的R、t+匹配特征点的像素坐标，输出点的3D坐标

1 对极几何

对极几何在两帧的图像中，其中包含n个匹配的特征点，用于估计相机的位姿：旋转矩阵R与平移向量t。一般只在单目SLAM初始化过程中使用。

情景如图，两幅图 I_1,I_2 分别为相机在 O_1,O_2 两位置的图像，共同观测到P点。可以理解为，相机从 O_1 位置变换到 O_2 位置，旋转平移矩阵分别为R、t。现在需要求解R、t。

空间中的一对匹配点 [p_1,p_2] 如图所示，左图投影点像素坐标，右图投影点 p_2 = [u_r,v_r,1]^T 。以左相机 O_1 相机坐标系为参考坐标系有：

$$$ \left\{ \begin{array}{l} s_l p_1 = KP \\ s_r p_2 = K(RP+t) \end{array} \right.$ （1-1）

K为相机内参矩阵，可逆，可得：

$$$ \left\{ \begin{array}{l} s_l K^{-1}p_1 = P \\ s_r K^{-1}p_2 = RP+t\end{array} \right.$ （1-2）

s_l,s_r 分别为P点在两相机坐标系 O_1,O_r 下的深度，即z坐标。

取 $x_1 = K^{-1}p_1,x_2 = K^{-1}p_2$ ，则：

x_2 = Rx_1+t （1-3）

两边同时左乘 $t^\wedge$ ，并且 $t^\wedge t=0$ 得到：

$t^\wedge x_2 = t^\wedge Rx_1$ （1-4）

两边同时左乘 x_2^T 得到：

$x_2^Tt^\wedge x_2 = x_2^Tt^\wedge Rx_1$ （1-5）

$t^\wedge x_2$ 与 x_2,t 垂直，因此上式左边为0，得到：

$x_2^Tt^\wedge Rx_1 = 0$ （1-6）

将 $x_1 = K^{-1}p_1,x_2 = K^{-1}p_2$ 代入可得：

$p_2^T{K^{-1}}^Tt^\wedge RK^{-1}p_1 = 0$ （1-7）

上式即为对极约束公式，简洁的表述了两幅图像之间一组匹配点 p_l,p_r 之间的关系。求解出上式即可求解出R、t。

2 三角测量

三角测量利用两帧图像匹配的像素点、以及两帧图像的位姿关系R、t，计算匹配点的3D坐标。

已知两帧图像的匹配点P在两帧图像下的像素坐标 [p_1,p_2] 、两帧图像的旋转矩阵R、平移矩阵t。求解匹配点P的3D坐标。

由（1-2）（1-3）可以得到：

s_rx_2 = s_lRx_1+t （1-8）

同时左乘 $x_2^\wedge$ 得到：

$s_lx_2^\wedge Rx_1+x_2^\wedge t=0$ （1-9）

上式可以求解得到 s_l ，代入式（1-8）可以求解得到 s_r 。

但是由于观测噪声，求解会带来误差，一般用优化进行求解。如下图：

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。