0.引言
如有侵权留言告知,立即删除。有些还是有深度,不明白,容易混淆。
1.题集1
1.现有两个相机视⻆ V 1 , V 2 , V_1, V_2 , V1,V2,其内外参数分别为 [ K 1 , R 1 , T 1 ] , [ K 2 , R 2 , T 2 ] , [K_1, R_1, T_1] , [K_2, R_2, T_2] , [K1,R1,T1],[K2,R2,T2],其中 R 1 P + T 1 R_1 P+ T_1 R1P+T1 代表将世界坐标系下的三维点 P P P投影到相机视⻆ V 1 V_1 V1 下。假设 P 1 P_1 P1 是 V 1 V_1 V1 坐标系下的一个三维点,那么它在 V 2 V_ 2 V2 视⻆下所对应的图像⻬次坐标可表示为 ( )
- K 2 ( R 1 R 2 T ( P 1 − T 2 ) + T 1 ) K_{2}\left(R_{1} R_{2}^{T}\left(P_{1}-T_{2}\right)+T_{1}\right) K2(R1R2T(P1−T2)+T1)
- K 2 ( R 2 R 1 T P 1 + T 2 − T 1 ) K_{2}\left(R_{2} R_{1}^{T} P_{1}+T_{2}-T_{1}\right) K2(R2R1TP1+T2−T1)
- K 2 ( R 2 R 1 T ( P 1 − T 1 ) + T 2 ) \color{#0F0}{K_{2}\left(R_{2} R_{1}^{T}\left(P_{1}-T_{1}\right)+T_{2}\right)} K2(R2R1T(P1−T1)+T2)
- K 1 ( R 2 R 1 T ( P 1 − T 1 ) + T 2 ) K_{1}\left(R_{2} R_{1}^{T}\left(P_{1}-T_{1}\right)+T_{2}\right) K1(R2R1T(P1−T1)+T2)
2.下列哪种特征是没有描述子的 ( )
- F A S T \color{#0F0}{FAST} FAST
- ORB
- SIFT
- SURF
3.下面哪种特征点方法使用了 FAST ( )
- O R B \color{#0F0}{ORB} ORB
- SIFT
- SURF
- 都没有使用
4.以下哪个是求解 3D 到 2D 点对运动的方法 ( )
- P n P \color{#0F0}{PnP} PnP
- ICP
- g2o
- 对极几何
5.以下哪个开源 SLAM 方案使用了 IMU 传感器信息 ( )
- ORB-SLAM
- SVO
- O K V I S \color{#0F0}{OKVIS} OKVIS
- DSO
6.以下哪个是基于描述子的特征点在 SLAM 系统中的缺点 ( )
- 无法压缩图像信息
- 无法进行回环检测
- 难 以 跟 踪 模 糊 图 像 \color{#0F0}{难以跟踪模糊图像} 难以跟踪模糊图像
- 难以进行重定位
7.回环检测的主要目的是 ( )
- A. 定位当前帧的相机位姿
- B. 优 化 地 图 信 息 \color{#0F0}{优化地图信息} 优化地图信息
- C. 进行多个点云图的融合
- D. 进行非连续帧的特征匹配
8.以下哪个不是词袋模型在 SLAM 系统中的应用 ( )
- 当前帧与关键帧的特征匹配
- 重定位的特征匹配
- 连 续 帧 的 特 征 匹 配 \color{#0F0}{连续帧的特征匹配} 连续帧的特征匹配
- 回环检测的特征匹配
9.在单目 SLAM 系统下回环检测不能优化以下哪个信息 ( )
- 绝 对 尺 度 信 息 \color{#0F0}{绝对尺度信息} 绝对尺度信息
- 相对尺度信息
- 三维点信息
- 位姿信息
10.姿态图优化中 (pose graph optimization) 的边一般是 ( )
- 重投影误差
- 两个地图点之间的距离
- 两 个 相 机 位 姿 之 间 的 相 对 运 动 \color{#0F0}{两个相机位姿之间的相对运动} 两个相机位姿之间的相对运动
- 相机位姿
11.以下哪一个变量在 VISLAM 中不可观( )
- 翻滚⻆
- 俯仰⻆
- 偏 航 ⻆ \color{#0F0}{偏航⻆} 偏航⻆
12.相比于 VSLAM ,加入 IMU 后的 VISLAM ,哪些状态可以观测 ( )
- x 方向平移
- 偏航⻆
- z 方向平移
- 尺 度 \color{#0F0}{尺度} 尺度
13.给出 3 组 3D 点与 2D 点的匹配能否确定相机位姿 ( )
- 不 能 \color{#0F0}{不能} 不能
- 能
14.下列关于视觉特征跟踪的说法错误的是 ( )
- 用于跟踪的视觉特征关键点的分布越分散越好。
- 图像金字塔主要为了提升视觉特征的尺度不变性。
- 在 有 重 复 纹 理 的 场 合 , 暴 力 匹 配 可 以 比 带 有 像 素 位 置 先 验 信 息 的 匹 配 结 果 更 好 。 \color{#0F0}{在有重复纹理的场合,暴力匹配可以比带有像素位置先验信息的匹配结果更好。} 在有重复纹理的场合,暴力匹配可以比带有像素位置先验信息的匹配结果更好。
- ORB 特征和 SIFT 特征都可以使用词袋模型进行图像相似度对比。
15.在什么情况下 , 导致难以正确求取基础矩阵? ( )
- 两个视图焦距不一样
- 两 个 视 图 中 心 点 重 合 \color{#0F0}{两个视图中心点重合} 两个视图中心点重合
- 两个视图在垂直方向上下两个位置拍摄
- 以上都不对
16.在其它因素固定的前提下, RANSAC 算法需要的迭代次数期望值 N 与待估计模型的自由度 k 的关系满足( )
- k 越大, N 越小
- k 越 大 , N 越 大 \color{#0F0}{ k 越大, N 越大} k越大,N越大
- k 与 n 无关
- k 与 N 存在其它更加复杂的关系
17.在双目视觉中,我们经常遇到缺少尺度约束的线性问题,其建模形式如下: Ax=st ,其中 A 为 mxn 的矩阵,
s 为标量, t 为 mx1 的向量。对于这类问题我们通常使用下面的方法求解 ( )
- Cholesky 分解
- 使 用 D L T 转 化 为 ⻬ 次 线 性 问 题 之 后 进 行 S V D 分 解 \color{#0F0}{使用 DLT 转化为⻬次线性问题之后进行 SVD 分解} 使用DLT转化为⻬次线性问题之后进行SVD分解
- QR 分解
- 以上都不对
18.两条彼此平行的直线,经过下列哪种变换之后,可能不再平行?( )
- 欧式变换
- 相似变换
- 射 影 变 换 \color{#0F0}{射影变换} 射影变换
- 仿射变换
19.卡尔曼滤波是 SLAM 中常用的多传感器融合的一种方法,那么下列针对卡尔曼滤波说法正确的是 ( )
- 卡尔曼滤波可以直接用于系统噪声是线性非高斯的系统
- 系 统 预 测 阶 段 能 得 到 系 统 状 态 的 先 验 估 计 , 但 是 系 统 状 态 的 不 确 定 性 增 加 了 \color{#0F0}{系统预测阶段能得到系统状态的先验估计,但是系统状态的不确定性增加了} 系统预测阶段能得到系统状态的先验估计,但是系统状态的不确定性增加了
- 即使系统部分可观,整个系统的所有状态的不确定性将是无界的
- 系统更新阶段对预测的状态进行校正,但不需要更新系统噪声协方差矩阵
20.E是本质矩阵,则 rank(E) 为 ( )
- 0
- 2 \color{#0F0}{2} 2
- 1
- 3
2.题集2
1.基于图优化的方法对视觉 SLAM 问题进行求解,对重投影误差进行最小化,现已知相机的位姿是完全可靠的,那么应如何设计图中的顶点和边?
- 将相机投影约束关系作为边,将相机的位姿和三维点的空间坐标设置为连接边的两个节点,同时优化两
个节点 - 将相机投影约束关系作为边,将相机的位姿和三维点的空间坐标设置为连接边的两个节点,只优化三维
点的空间坐标 - 将相机的位姿和三维点的空间坐标作为边,将相机投影约束关系作为顶点,同时优化两条边
- 将 相 机 的 位 姿 和 三 维 点 的 空 间 坐 标 作 为 边 , 将 相 机 投 影 约 束 关 系 作 为 顶 点 , 只 优 化 三 维 点 的 空 间 坐 标 \color{#0F0}{将相机的位姿和三维点的空间坐标作为边,将相机投影约束关系作为顶点,只优化三维点的空间坐标} 将相机的位姿和三维点的空间坐标作为边,将相机投影约束关系作为顶点,只优化三维点的空间坐标
2.标准的双目相机模型,其为基线 b ,焦距为 f ,左右相机相同。已知某点 P 在左视图中的 x 轴位置为 u_L ,在右视图的 x 轴上的位置为 u_R ,不考虑镜头畸变,则 P 点的深度值 z 应该为( )
- z = f ( U L − U R ) b \mathbf{z}=\frac{f\left(U_{L}-U_{R}\right)}{b} z=bf(UL−UR)
- z = f b ( u L − u R ) \mathrm{z}=\mathrm{fb}\left(\mathrm{u}_{\mathrm{L}}-\mathrm{u}_{\mathrm{R}}\right) z=fb(uL−uR)
- z = f b U L − U R \color{#0F0}{z=\frac{f b}{U_{L}-U_{R}}} z=UL−URfb
- z = f b ( U L − U R ) \mathbf{z}=\frac{\mathbf{f}}{\mathrm{b}\left(\mathbf{U}_{\mathrm{L}}-\mathbf{U}_{\mathrm{R}}\right)} z=b(UL−UR)f
3.集束调整所常使用的舒尔补是按照下述哪种办法求解的 ( )
- 先求解三维点后求解相机位姿
- 先 求 解 相 机 位 姿 后 求 解 三 维 点 \color{#0F0}{先求解相机位姿后求解三维点} 先求解相机位姿后求解三维点
- 先求解部分约束稀疏的三维点和相机位姿,再求解剩下的三维点和相机位姿
- 以上都不对
4.从真实世界到相机照片的变换可以看成是一个 ( )
- 欧式变换
- 相似变换
- 射 影 变 换 \color{#0F0}{射影变换} 射影变换
- 仿射变换
5.若相机外参为 M ,即将一个点从世界坐标系坐标 x 转移到相机坐标系坐标 x’ 的变换为 x’=Mx ,则将一个世界坐标系的平面 π 转移到相机坐标系的变换为 ( )
- π ′ = M π \pi^{\prime}=M \pi π′=Mπ
- π ′ = M T π \pi^{\prime}=M^{T} \pi π′=MTπ
- π ′ = M − 1 π \pi^{\prime}=M^{-1} \pi π′=M−1π
- π ′ = M − T π \color{#0F0}{\pi^{\prime}=M^{-T} \pi} π′=M−Tπ
6.相机 A , B 是一对校正后的双目相机,基线⻓度为 50cm ,相机焦距为 900 pixel ,某个空间点在相机 A 拍摄的图像中出现的位置为 (233, 213) ,在相机 B 拍摄的图像中出现的位置为 (213, 213) ,则可推测空间点的实际深度为 ( )( 换 算 为 单 位 米 除 以 100 \color{#0F0}{换算为单位米除以100} 换算为单位米除以100)
- 22.5 m \color{#0F0}{22.5m } 22.5m
- 25.5cm
- 27m
- 27.5cm
7.针孔模型下,什么样的图像间关系可以由单应矩阵描述 ( )
- 相机围绕中心进行纯旋转产生的图像
- 相机拍摄的是纯平面场景
- 相机拍摄的是位于无穷远的物体
- 以 上 都 是 \color{#0F0}{以上都是} 以上都是
8.下列关于相机模型的说法正确的是 ( )
- ⻥ 眼 相 机 可 以 用 径 向 畸 变 ( 二 次 多 项 式 ) 和 切 向 畸 变 模 型 来 矫 正 。 \color{#0F0}{⻥眼相机可以用径向畸变(二次多项式)和切向畸变模型来矫正。} ⻥眼相机可以用径向畸变(二次多项式)和切向畸变模型来矫正。
- 视场⻆越大的相机,通常其跟踪轨迹⻓度可以更⻓。
- 市售的双目相机只需要知道相机之间的基线距离,以及成像视差,就可以精确地三⻆化出深度。
- 对于单目 SLAM ,不同视场⻆下由于对同一物体的成像比例不同,最终主要影响重建结果的尺.
9.基于单目图像的纯视觉 SfM/SLAM 无法恢复哪些信息 ( )
- 场景的真实大小
- 相机的绝对朝向
- 相机的运动速度
- 以 上 都 是 \color{#0F0}{以上都是} 以上都是
10.Structure From Motion时,一般会通过特征对应关系构造 fundamental matrix 或 homography matrix初始化相机位姿。在所有特征都位于一个平面上或只存在纯旋转的情况下,应该用( )初始化相机位姿。
- Fundamental Matrix
- H o m o g r a p h y M a t r i x \color{#0F0}{Homography Matrix} HomographyMatrix
- Essential Matrix
- Rotation Matrix
11.如果无法进行标定,针孔相机的内参可以由什么信息估算 ( )
- 图 像 的 视 野 ⻆ \color{#0F0}{图像的视野⻆} 图像的视野⻆
- 镜头焦距
- 相机的曝光时间
- 镜头的光圈大小
12.在双目相机模型中,下列哪种改变会导致视差变大? ( )
- 缩小相机焦距
- 缩小基线⻓度
- 增大相机光圈
- 缩 小 物 体 与 相 机 的 距 离 \color{#0F0}{缩小物体与相机的距离} 缩小物体与相机的距离
13.若有以下双目相机,其视差的表达式错误的是 ( )
- x − x ′ x - x' x−x′
- x ′ − x \color{#0F0}{x'- x} x′−x
- B f / Z Bf/Z Bf/Z
14.以下哪些非线性最小二乘优化算法不属于信赖域( trust region )方法? ( )
- A. G a u s s i a n − N e w t o n 法 \color{#0F0}{ Gaussian-Newton 法} Gaussian−Newton法
- B. Levenberg–Marquardt 法
- C. Dog Leg 法
- D. 以上方法都不是
15.已知一相机 C ,该相机的外参为 R(3x3 旋转矩阵 ),t(3x1 平移向量 ) 。则该相机坐标系原点 p 在世界坐标系中的位置为 ( )
- p = R T t p=R^{T} t p=RTt
- p = − R t p=-R t p=−Rt
- p = − R T t \color{#0F0}p=-R^{T} t p=−RTt
- p = R t p=R t p=Rt
16.常用的优化器 g2o 使用的模型为 ( )
- 树模型
- 图 模 型 \color{#0F0}{图模型} 图模型
- 滤波器模型
- 栈模型
17.已知原图像内参 K=(fx, fy, cx, cy) ,图像大小为 (w, h) ,现对图像进行裁剪,从左上⻆ (m, n) 处截出大小为原图一半大小的图像( m < w/2, n < h/2 ) , 则截取后的图像的内参为 ( )
- ( f x , f y , c x − m , c y − n ) \color{#0F0}(f_x, f_y, c_x-m ,c_y-n) (fx,fy,cx−m,cy−n)
- ( f x / 2 , f y / 2 , c x , c y ) (f_x/2, f_y/2, c_x, c_y) (fx/2,fy/2,cx,cy)
- ( f x / 2 , f y / 2 , c x − m / 2 , c y − n / 2 ) (f_x/2, f_y/2, c_x-m/2, c_y-n/2) (fx/2,fy/2,cx−m/2,cy−n/2)
- ( f x , f y , c x , c y ) (f_x, f_y, c_x, c_y) (fx,fy,cx,cy)
18.已知某时刻相机位姿 R, t 以及世界坐标系下三维点 X ,求该三维点在该时刻相机坐标系下的点 X’( )
- X ′ = R X + t X^{\prime}=R X+t X′=RX+t
- X ′ = R T ( X + t ) X^{\prime}=R^{T}(X+t) X′=RT(X+t)
- X ′ = R T ( X − t ) \color{#0F0}X^{\prime}=R^{T}(X-t) X′=RT(X−t)
- X ′ = R X − t X^{\prime}=R X-t X′=RX−t
19.已知相机在 0 时刻的位姿 T0=(R0,t0) ,以及当前时刻的位姿 T=(R, t) ,求在以 0 时刻的相机坐标系作为参考坐标系,当前时刻的位姿表达 T’( )
- T ′ = ( R R 0 T , R 0 t − R 0 t 0 ) T^{\prime}=\left(R R_{0}^{T}, R_{0} t-R_{0} t_{0}\right) T′=(RR0T,R0t−R0t0)
- T ′ = ( R 0 R T , − R 0 R T t + t 0 ) T^{\prime}=\left(R_{0} R^{T},-R_{0} R^{T} t+t_{0}\right) T′=(R0RT,−R0RTt+t0)
- T ′ = ( R 0 T R , R 0 T t − R 0 T t 0 ) \color{#0F0}T^{\prime}=\left(R_{0}^{T} R, R_{0}^{T} t-R_{0}^{T} t_{0}\right) T′=(R0TR,R0Tt−R0Tt0)
- T ′ = ( R R 0 T , − R R 0 T t 0 + t ) T^{\prime}=\left(R R_{0}^{T},-R R_{0}^{T} t_{0}+t\right) T′=(RR0T,−RR0Tt0+t)
20.已知在 IMU 坐标系下某时刻 IMU 的位姿为 T i 2 c = ( R i 2 c , t i 2 c ) T_{i 2 c}=\left(R_{i 2 c}, t_{i 2 c}\right) Ti2c=(Ri2c,ti2c)以及 IMU 到相机的外参 ,求该时刻在相机坐标系下相机的位姿 Tc ( )
- T C = ( R i 2 c R i , R i 2 c t i + t i 2 c ) T_{C}=\left(R_{i 2 c} R_{i}, R_{i 2 c} t_{i}+t_{i 2 c}\right) TC=(Ri2cRi,Ri2cti+ti2c)
- T C = ( R i 2 c R i R i 2 c T , − R i 2 c R i R i 2 c T t i 2 c + R i 2 c t i + t i 2 c ) \color{#0F0}T_{C}=\left(R_{i2c} R_{i}R_{i 2 c}^T, -R_{i2c}R_{i}R_{i2c}^T t_{i 2 c}+R_{i2c}t_{i}+t_{i2c}\right) TC=(Ri2cRiRi2cT,−Ri2cRiRi2cTti2c+Ri2cti+ti2c)
- T C = ( R i R i 2 c T , − R i R i 2 c T t i 2 c + t i ) T_{C}=\left(R_{i} R_{i 2 c}^{T}, -R_{i} R_{i 2 c}^{T} t_{i 2 c}+t_{i}\right) TC=(RiRi2cT,−RiRi2cTti2c+ti)
- T C = ( R i R i 2 c , R i t i 2 c + t i ) T_{C}=\left(R_{i} R_{i 2 c}, R_{i} t_{i 2 c}+t_{i}\right) TC=(RiRi2c,Riti2c+ti)