视觉SLAM/VIO开源代码解析课程学习总结笔记4

CH1：ORB_SLAM2

第一节：基本框架与预备知识

知识点1：知识点1：求解相机位姿篇（3）

通过已经有的匹配好的特征点求解旋转矩阵R,平移向量t,缩放因子s

1.3给定的匹配特征点是2D-2D时——Fundamental法/Homography法

1.3.1:方法二：Homography法

直观理解：就是通过（两个相机坐标之间的旋转平移关系+特征点所在的平面与相机坐标系原点距离之间的关系）推算出一个几何约束的式子;有了这个式子后再给定一定数量的匹配好的特征点的具体数据经过一系列的求解最后得到几何约束式子中待求解的旋转R，平移t这几个参数。

1.准备工作

在建立Homography模型之前,我们先来理解Homography这个词吧,从英文的词根来看，homo是“同”的意思,graphy是平面的感觉,那么这个Homography所表示的就是同一个平面的意思,现在我们带着这个感觉来看一下Homography是怎么通过一个平面来求解我们想要的相机之间的移动信息(旋转R与平移t)的具体数值吧.

另外，为了便于理解，我们先来看一下Fundamental法与Homography法之间的不同

• 模型建立：根据相机与相机之间的关系，特征点所在的平面与相机坐标系原点距离之间的关系建立模型求解的式子.
  
  
  - 模型求解：
  要求解模型u’=Gu，先回到G去掉内参的x’=^Hx,从而先求解出相应的R，t.

接下来，我们来看一下对H单映矩阵的具体求解过程：
1.DLT法：(具体式子之后补图）
2.模型分解法：
模型分解常用的方法又有三种
[Faugeras SVD(Orbslam2); Zhang-SVD(Opencv); Ezio Malis(Opencv)]

Faugeras SVD(Orbslam2)：主要思想是将H进行SVD分解,H=U∧V（T）,得到∧这个对角阵,便可以构造出3个方程，再利用旋转矩阵R的正交性，先求出平面法相量n,再求出旋转矩阵R和平移量t.(具体式子之后补图）