![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
slam
zijingping
这个作者很懒,什么都没留下…
展开
-
视觉SLAM十四讲 第八讲 视觉里程计2 8.2L-K光流 理论推导
光流描述了像素在图像中的运动,直接法附带着一个相机运动模型。光流是一种描述像素随时间在图像之间运动的方法,如图。随着时间的流逝,同一个像素会在图像中运动,而我们希望追踪它的运动过程。其中,计算部分像素运动的称为稀疏光流,计算所有像素的称为稠密光流。稀疏光流以Lucas-Kanade光流为代表,并可以在SLAM中用于跟踪特征点位置。Lucas-Kanade光流在LK光流中,认为来自相机的图像是...原创 2020-03-24 15:25:41 · 509 阅读 · 0 评论 -
视觉SLAM十四讲 第七讲 视觉里程计1 3D-3D位姿求解 代码解析
总体思路对两幅图像img_1,img_2提取特征点特征点匹配通过相机内参求取特征点对应的相机坐标X,Y,获取特征点的深度信息Z。通过SVD分解,求除相机的位姿R,t。计算质心p1 += pts1[i];p1 = Point3f(Vec3f(p1) / N);去质心q1[i] = pts1[i] - p1;q2[i] = pts2[i] - p2;构建W矩阵q1*q2^T对W矩阵进行...原创 2020-03-24 11:27:47 · 799 阅读 · 0 评论 -
视觉SLAM十四讲 第七讲 视觉里程计1 3D-2D位姿求解 代码解析
总体思路对两幅图像img_1,img_2分别提取特征点特征匹配通过depth,获得第一幅图像匹配的特征点的深度,由相机内参K恢复这些特征点的三维坐标(相机坐标系)。由第一幅图像中的特征点的三维坐标、第二幅图像中特征点的2D像素坐标,以及相机内参K作为优化函数的输入,分别采用如下方法进行优化牛顿高斯法(1)构建误差方程,由相机位姿、相机内参获得第一幅图像特征点对应的三维坐标到第二幅图像...原创 2020-03-24 10:32:53 · 1057 阅读 · 0 评论 -
旋转向量与欧拉角 罗德里格斯公式(Rodrigues's Formula)
旋转向量旋转矩阵表达方式旋转矩阵描述旋转,变换矩阵描述一个6自由度的三维刚体运动。但存在如下缺点:SO(3)的旋转矩阵有9个量,但一次旋转只有3个自由度。因此这种表达方式是冗余的。同理,变换矩阵16个量表达了6个自由度的变换,也不够紧凑。旋转矩阵自身带有约束:它必须是个正交矩阵,且行列式为1。变换矩阵也是如此。当想要估计或优化一个旋转矩阵/变换矩阵时,这些约束会使得求解变得困难。外...原创 2020-02-25 11:18:09 · 5850 阅读 · 1 评论