目录
一、介绍ICP(Iterative Closest Point)
2.1、计算两幅图像匹配好的3D点 的质心坐标,然后计算去质心坐标:
一、介绍ICP(Iterative Closest Point)
前面两节内容我们已经介绍过2D-2D,2D-3D,这节我们来介绍3D-3D的算法。3D-3D就是两张深度图像来生成点云。使用深度相机进行拍照,与前面两种方法相比深度相机的成本更高。
二、求解ICP
假设两张深度图像的三维坐标,
欧式变换R,T使得
(2.1)
R——相机姿态变化的旋转向量
t——相机姿态变化的平移向量
注:仅考虑两组3D点之间的变换时和相机并没有关系
1、使用线性代数SVD求解
1.1奇异值介绍
奇异值分解(singular value decomposition,SVD)是一种矩阵因子分解的方法。
如上图所示,一个由7×8个像素组成的图像,在中间有个3×3空心的正方形。对该图像进行奇异值分解,可以纵向分解成三个部分,一部分是用红色圈出来全部都是白色的小方块,一部分是用绿色圈出来其中有三个黑方块的部分,一部分是用紫色圈出来的具有两个黑方块的部分。
1.2奇异值计算
(2.2)
例:
1.3 定义误差项
1.4 最小二乘法的问题,使误差平方和达到极小的R,T
(2.3)
1.5 定义两组点的质心
2、线性SVD求解方法总结
2.1、计算两幅图像匹配好的3D点 的质心坐标,然后计算去质心坐标:
2.2、计算旋转矩阵
2.3计算t
a、R的计算
b、通过SVD解出最优的R
当W满秩时
2、非线性优化方法