《视觉SLAM14讲》学习笔记——ORB特征提取与匹配

最新推荐文章于 2024-02-16 10:42:24 发布
最新推荐文章于 2024-02-16 10:42:24 发布
阅读量1.4k 收藏 5
点赞数 2
分类专栏： SLAM C++ 文章标签： SLAM 计算机视觉 OpenCV 机器人
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/a819096127/article/details/102885174
版权

本篇博客是对于《视觉SLAM十四讲》中第7讲的ORB特征提取和匹配部分进行一个记录，后续会继续完善和补充ORB的其他内容

7.1 特征点法

  • 视觉里程计算法主要分为：特征点法和直接法
  • 特征点法的优点：稳定，对光照、动态物体不敏感

7.1.1 特征点

  • 提取角点的算法有：Harris角点、FAST角点、GFTT角点等
  • 单纯的角点不具有尺度不变性，目前主要的特征点有**SIFT1 、SURF、ORB2**等
  • 特征点由**关键点(Key-point)和描述子(Descriptor)**组成
    • 关键点：特征点在图像里的位置，有些特征点还带有朝向、大小等信息
    • 描述子：通常是一个向量，按照某种人为设计的方式，描述了该关键点周围像素的信息

7.1.2 ORB特征

FAST关键点

  • ORB改进了FAST检测子不具有方向信息和尺度的问题，并且使用二进制描述子BRIEF
最低0.47元/天 解锁文章
fansa_orz
关注
专栏目录
视觉SLAM笔记（31） 特征提取和匹配
氢键H-H
10-08 1万+
根据两张具有微小运动的图片，提取 ORB 特征并匹配
对于SLAM十四讲中简单特征提取并匹配代码的解析
theworld666的博客
05-23 986
对于SLAM十四讲中简单特征提取并匹配代码的解析 在该代码中我们使用了暴力匹配算法，即在两张图片中选取两个特征点，然后对它们各自描述子之间距离的比较选取距离最小的组委匹配到的点，在此例子中我们使用了ORB描述子（这是一个二进制的多位描述子），所以在比较距离的时候我们用的不是欧式距离（两点之间几何的距离），而是汉明距离（两个二进制串中不同位数的个数）， `#include #include <opencv2/core/core.hpp> #include <opencv2/features
SLAM14讲第7.1讲--特征点匹配
qq_40574123的博客
12-16 1387
在第5.1章双目相机中，我们知道，如果已知视差的情况下，可以得出深度信息。但是其中涉及一个问题。怎么可以得到视差？我们分析可知，我们需要得到相匹配的像素点，才可以得到视差。于是在这一节，引出概念：特征点匹配。 这个事情也是运动状态估计的前提。 在SIFT算法中，特征点分为两块：关键点和描述子。提取关键点和计算描述子 关键点是指该特征点在图像里的位置，有些特征点还具有朝向、大小等信息。描述子通常是一个向量，按照某种人为设计的方式，描述了该关键点周围像素的信息。 关键点（特征点的提取） 选取什么样的点作为关键点
SLAM十四讲-ch7(1)-特征点匹配(包含手写ORB和直接调用cv库函数的代码注释)
joun772的博客
11-02 1206
一、利用cv库函数进行特征点的匹配 源码如下： // // Created by wenbo on 2020/11/1. // #include<iostream> #include<opencv2/core/core.hpp> #include<opencv2/features2d/features2d.hpp> #include <opencv2/highgui/highgui.hpp> #include <chrono> using name
视觉里程计1（slam十四讲ch7）——特征点，特征匹配
赤豆几维
08-31 5193
Brook_icv 转载于 https://www.cnblogs.com/wangguchangqing/p/8076061.html  slamcn.org：高翔和他的朋友们做的一个系统介绍slam的网站 大牛讲堂｜SLAM最终话：视觉里程计 1.概念：什么是里程计？ 　　在里程计问题中，我们希望测量一个运动物体的轨迹。这可以通过许多不同的手段来实现。例如，我们在汽车轮胎上安装计数...
SLAM十四讲学习笔记2—— 特征点法
qq_41620270的博客
03-18 561
SLAM十四讲学习笔记2—— 特征点法之特征描述与特征匹配思路步骤简化后思路特征点性质特征点的信息特征点的信息特征匹配优缺点解决方法 思路 由于每个图片里的像素点非常多，无法将所有点都进行对比。因此将每个图片中有特征的点提取出来进行对比。 步骤 将图中特征点（关键点）提取出来：FAST ； 匹配描述点附近图像块的编码关系：ORB； 有了两图的二进制编码即可计算得两图位置（R、t）的关系：ICP；...
视觉slam十四讲学习笔记（六）视觉里程计 1
最新发布
qq_53589322的博客
02-16 1247
1.理解图像特征点的意义, 并掌握在单幅图像中提取出特征点，及多幅图像中匹配特征点的方法。2. 理解对极几何的原理，利用对极几何的约束，恢复出图像之间的摄像机的三维运动。3.理解PNP 问题，及利用已知三维结构与图像的对应关系，求解摄像机的三维运动。4.理解ICP问题，及利用点云的匹配关系，求解摄像机的三维运动。5.理解如何通过三角化，获得二维图像上对应点的三维结构。视觉SLAM十四讲ch7_1_哔哩哔哩_bilibili。
视觉SALM十四讲学习笔记——第七讲 视觉里程计（1）
weixin_61294345的博客
11-17 1858
视觉里程计这一部分的第一个主要内容是ORB特征点的提取与匹配。这里主要关注两个内容： （1）特征点的匹配方法及代码实现 （2）ORB特征点的BRIEF描述子如何实现旋转不变性及在示例代码中的体现 1.ORB特征点匹配方法 高博在十四讲P158提到：特征匹配解决了SLAM中的数据关联问题，最简单的特征匹配方法就是暴力匹配（Brute Matcher）,此外快速近似最近邻（FLANN）算法更加适合于匹配点数量极多的情况。然而在第七章的示例代...
SLAM十四讲学习笔记6—— 前端：无深度相机时的深度估计——三角化与深度估计
qq_41620270的博客
03-18 693
SLAM十四讲学习笔记6—— 前端：无深度相机时的深度估计——三角化与深度估计定义步骤：三角化中的问题关于问题的改进： 定义 知道两图之间关系后对图中匹配点进行三角化与深度估计，估计出现实中物体相对于相机的距离。 步骤： 几何关系： 求时，两侧乘后得： 或者同时解： 求的最小二乘解： 三角化中的问题 1.解得深度的质量与平移相关。R、T很小是或者相机移动过小可能导致两点趋近平行甚至发散。...
视觉SLAM学习【1】-----基于ubuntu16.04的SLAM中ORB特征点提取及暴力匹配
qq_42451251的博客
04-28 1105
ROS学习【18】----基于ubuntu16.04的SLAM中ORB特征点提取及暴力匹配目录一、ORB特征点提取及暴力匹配定义1、什么是ORB特征点提取？2、什么是暴力匹配？二、进行相关数据准备1、拍摄图像2、特征点提取、匹配的文件夹创建3、在创建的文件夹中新建cpp文件4、图像特征点提取、暴力匹配的代码编写三、图像特征点匹配完整代码四、进行图像特征匹配测试1、编译slamORB.cpp文件2、...
视觉SLAM十四讲作业练习（5）特征提取和匹配
ASUNAchan的博客
05-12 1004
特征提取和匹配 （1）使用OpenCV提取和匹配 #include <iostream> #include <opencv2/core/core.hpp> #include <opencv2/features2d/features2d.hpp> #include <opencv2/highgui/highgui.hpp> #include "opencv2/imgcodecs/legacy/constants_c.h" using namespace st
视觉SLAM14讲笔记03：ch7图像特征提取与匹配
weixin_44563671的博客
05-11 832
图像 我们从最简单的图像一灭度图开始说起。在一张灰度图中，每个像素位置 (xxx, yyy) 对 应到一个灰度值 III，所以一张宽度为 www，高度为 hhh 的图像，数学形式可以记成一个矩阵: I(x,y)∈Rw×h I(x, y) \in \mathbb{R}^{w \times h} I(x,y)∈Rw×h 然而，计算机并不能表达整个实数空间，所以我们只能在某个范围内，对图像进行量化。例如常见的灰度图中，我们用0-255之间整数（即一个unsigned char, —个字节）来表达图像的灰度大小。
《视觉slam十四讲》之第7讲－特征提取与匹配
weixin_30608503的博客
11-28 707
特征 特征为图像中具有代表性的区域， 可以为角点，边缘和区块等。 特征是图像信息的另一种数字表达形式。 特征具有以下性质： 可重复性（ Repeatability）：相同的“区域”可以在不同的图像中被找到。 可区别性（ Distinctiveness）：不同的“区域”有不同的表达。 高效率（ Efficiency）：同一图像中，特征点的数量应远小于像素的数量。 本地性（ ...
《视觉SLAM十四讲精品总结》5：VO——ORB特征提取和匹配
努力努力努力
04-05 1113
一、简介 视觉里程计法：提取、匹配图像特征点，然后估计两帧之间的相机运动，给后端提供较好的初始值。 角点的局限：例如：从远处上看上去是角点的地方，当相机走近后，可能就是角点了。或者，当旋转相机的时候，角点的外观会发生变换。 进而，我们提出了SIFT,SURF,ORB特征。 特征点由提取关键点和计算描述子两部分组成。 关键点：该特征点在图像的位置，具有朝向、大小的信息。 描述子：描述关键点...
视觉十四讲：第七讲_ORB特征点
penuel
07-05 611
1.特征点 特征点是图像里一些特别的地方,如角点、边缘和区块。比较著名有SIFT、SURF、ORB等。SIFT充分考虑了图像变换过程中出现的光照、尺度、旋转等变换，但是计算量非常大。而ORB是质量和性能之间比较好的折中。 特征点包含： 关键点 描述子 2. ORB特性 提取ORB特性有两个步骤:FAST角点提取、BRIEF描述子 1.FAST关键点: 1.在图像中选取像素p,假设它的...
slam十四讲第四次作业_《视觉SLAM十四讲》课后习题—ch7（更新中……）
weixin_39723248的博客
12-20 552
参考：https://blog.csdn.net/zilanpotou182/article/details/66478915(SIFT、SURF、ORB三种特征点的区别)1.除了本书介绍的ORB特征点外，你还能找到哪些特征点？请说说SIFT或SURF的原理，并对比它们与ORB之间的优劣特征点：图像里一些特别的地方特征点的种类：SIFT、SURF、ORB、FASTSIFT算法充分考虑了在图像变换过...
视觉SLAM十四讲的部分课后答案以及课堂笔记
qq_39717374的博客
07-19 4251
第一讲初识SLAM 一、Linux的熟悉 1.如何在 Ubuntu 中安装软件（命令⾏界⾯）？它们通常被安装在什么地⽅？ 1）apt-get 方式的安装； 普通安装：sudo apt-get install XXX 修复安装：sudo apt-get -f install XXX 重新安装：sudo apt-get -f reinstall XXX 2）dpkg方式的安装 su...
视觉SLAM十四从入门到放弃：第一讲习题
weixin_43135184的博客
04-17 602
主要学习和复制了https://blog.csdn.net/u012348774/article/details/83576140 1、有线性方程Ax=b,若已知A，b，需要求解x，该如何求解？这对A和b有哪些要求？ 答：不妨记A的维度为m×n，同时记A的秩为r。 若b≠0，则 当r=m=n时，整个方程存在唯一解； 当r=n<m，即A列满秩，整个方程要么无解要么存在唯一解； 当r=m<...
单目视觉SLAM建模与仿真分析——移动机器人定位研究
本文主要讨论的是视觉观测模型在机器人技术中的应用，特别是针对移动机器人的单目视觉SLAM（Simultaneous Localization And Mapping，同时定位与建图）方法。视觉传感器，如摄像机，是获取环境信息的关键设备。摄像...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值