《视觉SLAM十四讲》视觉里程计1_笔记

2D-2D

应用场景

根据两相机图片，进行匹配求解相机的旋转变换阵。大致两个过程：1）特征对匹配 2）利用匹配的特征点对求解相机的转换矩阵。下面是稍微具体的方法。

求解方法

对极约束

方程：
$$x_T^2{t}^{\wedge }R{x}_i=0or{p}_2^T{K}^{-T}{p}_1=0$$

本质矩阵

求本质矩阵$t^{\wedge }R$（一共6个自由度+1尺度不变性，即5个自由度），一个点能决定一个约束方程，最少可以用5个点解方程。但是一般8点法，最终求解出$t^{\wedge }R$，最后用奇异值分解（SVD） 求$t^{\wedge }R$。

单应矩阵

对于特征点在或近似在同一平面的特殊情况，可求解其单应矩阵H，随后用数值法或解析法求解$R,t$。

使用重投影误差

通常，同时使用极约束和单应矩阵进行估计，取重投影误差最小的。

2D-3D

应用场景

知道点的世界坐标系坐标，及其在图片中的像素坐标，求相机的世界坐标系下旋转变换阵。

求解方法

PnP

1. 转换成线性方程组（1个点2个约束方程，有12个未知数，匹配对需$\ge 6$），如果匹配对为6个，用直接线性法，；如果大于6对，为超定方程，使用最小二乘法求解，用SVD求解最小二乘问题；
2. 随后用QR分解得R,t；
3. 用BA方法优化解；

P3P

根据三角形关系，写出关于点坐标的二元二次方程，然后用吴消元法，得到点A、B、C在相机中的坐标，最后用SVD求解R,t。

3D-3D

应用场景

对于两坐标系中2片点云，求解两坐标系的转换矩阵。

求解方法

1. 找到$\ge 3$对匹配点对，构建最小二乘问题
2. 利用SVD求解转换矩阵R,t

Bundle Adjustment

是一个最小化重投影误差，构建最小二乘问题，然后用高斯牛顿法或列文伯格-马奈尔特方法求解。