SLAM学习——特征点SIFT、SURF、ORB

SLAM的本质问题在于让计算机识别出连续两幅图像之间的姿态变化,通常需要在图像中选取一些特征点作为标识用来计算相机位姿变化。注意特征点不是角点,不仅包括点的位置,还包括点的特征描述。
常用的特征点包括:

1)SIFT特征点(尺度不变特征变换,ScaleInvariant Feature Transform)

SIFT特征点属于最常见的特征点,它充分考虑了在图像变换过程中出现
的光照,尺度,旋转等变化,但随之而来的是极大的计算量。由于整个 SLAM 过程中,图
像特征的提取与匹配仅仅是诸多环节中的一个,到目前(2016 年)为止,普通 PC 的 CPU
还无法实时地计算 SIFT 特征,进行定位与建图。所以在 SLAM 中我们甚少使用这种“奢
侈”的图像特征

2)SURF特征点

后续补充吧

3)ORB特征点

ORB 特征亦由关键点和描述子两部分组成。它的关键点称为“Oriented FAST”,是一种改进的 FAST 角点,它的描述子称为 BRIEF(Binary Robust Independent Elementary Features)。因此,提取 ORB 特征分为两个步骤:

  1. FAST 角点提取:找出图像中的” 角点”。相较于原版的 FAST, ORB 中计算了特征
    点的主方向,为后续的 BRIEF 描述子增加了旋转不变特性。(FAST 是一种角点,主要检测局部像素灰度变化明显的地方,以速度快著称。它的思想是:如果一个像素与它邻域的像素差别较大(过亮或过暗) , 那它更可能是角点。相比于其他角点检测算法, FAST 只需比较像素亮度的大小,十分快捷。)
  2. BRIEF 描述子:对前一步提取出特征点的周围图像区域进行描述。(BRIEF 是一种二进制描述子,它的描述向量由许多个 0 和 1 组成,这里的 0 和 1 编码了关键点附近两个像素(比如说 p 和 q)的大小关系:如果 p 比 q 大,则取 1,反之就取 0。如果我们取了 128 个这样的 p; q,最后就得到 128 维由 0, 1 组成的向量。)

根据测试,在同一幅图像中同时提取约 1000 个特征点的情况下,SIFT 约花费 5228.7ms, SURF 约花费 217.3ms, ORB 约要花费 15.3ms。由此可以看出 ORB 在保持了特征子具有旋转,尺度不变性的同时,速度方面提升明显,对于实时性要求很高的 SLAM 来说是一个很好的选择。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 视觉SLAM中常用的快速特征点提取方法有SIFTSURFORB。其中,SIFTSURF是基于尺度不变性的特征提取方法,而ORB是基于FAST角点检测和BRIEF描述子的方法。在实际应用中, ORB方法比SIFTSURF更加快速,并且能够提取到更加均匀的特征点。 ### 回答2: 视觉SLAM(Simultaneous Localization and Mapping,即时定位与地图构建)是一种利用相机图像信息来实现同时定位与地图构建的技术。而视觉SLAM中的特征点提取是其中的关键环节之一。特征点提取可以理解为寻找图像中独特的、易于匹配的关键点,以用于后续的定位和地图构建。 在视觉SLAM中,快速均匀特征点提取是一种常用的方法。其主要思想是从图像中等间隔地选择特征点,保证特征点的均匀分布,并且通过一些快速的算法进行处理,以提高提取速度。 具体实现时,可以采用以下步骤来提取快速均匀特征点: 1. 图像预处理:对输入图像进行预处理,包括灰度化、去噪等。这一步是为了减少计算量,同时增强特征点的对比度。 2. 图像分割:将图像分割为不同的块,以便后续特征点的选取。 3. 特征点选取:在每个块内,使用一种均匀分布的方法选择特征点。例如,可以采用密集采样的方法,即在每个块内按固定间隔选取特征点。 4. 特征点描述:对选取的特征点,使用合适的特征描述子进行描述。描述子可以是特定的局部特征描述子,例如SIFT(尺度不变特征变换)或ORB(Oriented FAST and Rotated BRIEF)描述子等。 以上就是快速均匀特征点提取方法的基本步骤。这种方法保证了特征点的均匀分布,能够提取出适量且有代表性的特征点。同时,由于采用了快速的算法,提取过程也具有较高的实时性。该方法在视觉SLAM等领域中得到了广泛应用。 ### 回答3: 视觉SLAM(Simultaneous Localization and Mapping,即同时定位与地图构建)是一种通过摄像头或相机获取图像,并根据图像特征进行场景定位与地图构建的技术。在实际应用中,提取均匀、稳定的特征点是视觉SLAM中的一个重要挑战。 在快速提取均匀特征点的方法中,一个常用的策略是基于网格分布的采样方法。首先,将图像划分为网格,并在每个网格单元中选取一个特征点。这样做的好处是可以确保特征点均匀分布在整个图像区域,可以有效地覆盖场景区域,并提高地图构建的准确性和鲁棒性。 具体而言,步骤如下: 1. 将图像划分为网格。网格的大小和密度可根据场景需求进行调整,一般较大的网格可以加快处理速度,但较小的网格可以提高特征点的精度。 2. 对于每个网格单元,选择一个特征点。选择方法可以是随机选择、根据特定规则选择或者通过特征点检测算法进行选择。 3. 根据选择的特征点对单帧图像进行特征描述提取,通常会使用SIFT(尺度不变特征变换)或者ORB(Oriented FAST and Rotated BRIEF)等特征描述符。 4. 针对连续帧之间的位姿估计和特征匹配,通常使用追踪局部地图的方法,通过匹配当前帧和先前帧的特征点来估计相机的运动。 此外,为了提高快速均匀特征点提取方法的性能,还可以考虑以下几点: 1. 采用并行计算技术,以加快特征点的提取速度。 2. 使用图像金字塔技术,对不同尺度的图像进行特征点检测和描述提取,以提高应对场景变化的能力。 3. 结合深度信息,通过深度学习等方法,提取具有更好判别度和鲁棒性的特征点。 总结而言,基于网格分布的快速均匀特征点提取方法是一种有效的视觉SLAM特征提取策略。通过在图像中均匀分布选择特征点,可以提高算法的效率和性能,进而实现更准确、可靠的场景定位和地图构建。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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