【从零开始学习SLAM】三角化方法求3D空间点的深度

已于 2022-05-03 12:58:42 修改
阅读量1.8k 收藏 8
点赞数 4
分类专栏： 从零开始学SLAM 文章标签： 从零开始学习SLAM
于 2020-04-24 16:28:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_21950671/article/details/105732710
版权
本文介绍了从零开始学习SLAM的过程中，如何利用三角化方法求解3D空间点的深度。通过三角测量和对极约束，计算相机位姿变化，从而确定特征点在不同坐标系的3D坐标，并通过重投影误差验证三角化结果的准确性。
摘要由CSDN通过智能技术生成

文章目录

运行结果

在这里插入图片描述

算法解析

三角化获得地图点深度

在这里插入图片描述

两张图像上相同颜色的代表深度相同。
通过三角测量及像素上的匹配点，可以求出路标即P点基于第一个相机坐标系的三维坐标点，然后通过对极约束求出的R，t可以求出在第二个相机坐标系上路标P点的三维坐标值。

点的位置用坐标表示　二维坐标　三维坐标
点的姿态用指定的坐标系来描述　姿态就是RT矩阵

在这里插入图片描述
这是求出的深度数据的类型

假设

了解本专栏 订阅专栏 解锁全文 超级会员免费看
小秋slam入门实战
关注
专栏目录
订阅专栏
(01)ORB-SLAM2源码无死角解析-(22) 特征点三角化、深度计算、三维点筛选
江南才尽江南山，年少无知年少狂！
04-22 2109
通过前面的博客，我们已经知道如何从 单应性矩阵Homography，或者 基本矩阵Fundamental 中恢复RtRt,但是这里存在一个比较尴尬的问题，其结果都存在多组解，也就是多组RtRt，比如从 Homography 中恢复RtRt存在8组解，从 Fundamental 中恢复 存在4组解。那么我们如何去判断那组解是最优的呢?
三角形法恢复空间点深度
kokerf的博客
06-02 8654
三角形法恢复空间点深度 通常，在已知两个相机的相对位姿TT\mathbf T的情况下，得到在两个视图下的对应匹配点x↔x′x↔x′\bf x \leftrightarrow \bf x'，我们就可以求得该对应点在空间中的位置，也就是求得图像点的深度。接下来介绍两种求解方法。 1.求解空间点坐标 当我们得到两个视图的一组匹配点，我们希望能恢复出世界点在三维世界的坐标。这里就涉及到使用三角形...
SLAM--三角化求解3D空间点
qq_37611824的博客
06-21 3356
主要是参考各路博客做一下笔记,以防自己忘记了 单目相机中地图点大多数是通过三角化求解出地图点空间位置 3D点齐次坐标,3D点在图像上的投影 两边同时差乘u(这个在多视图几何经常用到,为了是另一边等于0) ,有 展开得(这个在MVG里用向量叉积解答的时候看得糊里糊涂,哦,原来是这样) 三个方程,其中有两个是线性独立的,因为（1）式×(-u)-（2）式×v=（3）式,其中Pi...
SLAM--三角化ceres 优化
最新发布
老邹的博客
07-02 737
ceres 优化三角化过程
三角测量获取特征点深度
奉现的博客
07-13 828
介绍如何通过三角测量来获取空间地图点的深度
三角化求深度值（求三位坐标）
热门推荐
michaelhan3的博客
04-23 1万+
三角化得到深度值 一 ：三角化的提出 三角化最早由高斯提出，并应用于测量学中。简单来讲就是：在不同的位置观测同一个三维点P(x, y, z)，已知在不同位置处观察到的三维点的二维投影点X1(x1, y1), X2(x2, y2)，利用三角关系，恢复出三维点的深度信息z。 二： 三角化求解 (1) 利用叉乘进行消元进行求解 s1x1= s2Rx2+ t ...
三角化得到空间点的三维信息(深度值)
qq_40213457的博客
06-18 6335
一.三角化得到空间点的三维信息(深度值)(1)三角化的提出三角化最早由高斯提出，并应用于测量学中。简单来讲就是：在不同的位置观测同一个三维点P(x, y, z)，已知在不同位置处观察到的三维点的二维投影点X1(x1, y1), X2(x2, y2)，利用三角关系，恢复出三维点的深度信息z。(2)三角化公式按照对极几何中的定义，设x1, x2为两个特征点的归一化坐标，则它们满足：s1x1 = s2R...
【从零开始学习SLAM】像素坐标系、图像坐标系 、相机归一化坐标系、相机坐标系、世界坐标系
小秋 AI SLAM 入门实战教程
11-05 2919
根据三角形相似原理得出下面的公式：Zf\frac{Z}{f}fZ​ = XX′\frac{X}{X'}X′X​ = YY′\frac{Y}{Y'}Y′Y​整理一下得到成像平面点和现实世界空间点之间的关系：X′X'X′ = f∗XZf*\frac{X}{Z}f∗ZX​ Y′Y'Y′ = f∗YZf*\frac{Y}{Z}f∗ZY​假设P′P'P′的像素坐标为:[u,v]T[u, v]^T[u,v]T像素坐标系通常的定义方式是:原点o′o'o′位于图像的左上角, uuu轴向右与xxx轴平行, vvv轴向下与yy
【从零开始学习SLAM】ros navigation AMCL move_base配置文件 A-Star Dijkstra 算法原理
小秋 AI SLAM 入门实战教程
10-25 1904
文章目录AMCL导航配置文件参数详解move_base 导航配置文件参数详细解读（一）使用 move_base使机器人向前移动 2m带障碍物的导航复杂地图导航与蒙特卡洛定位通用参数配置文件costmap_common_params.yaml 导航配置文件参数详细解析 （二）局部代价地图配置参数 local_costmap_params.yaml 参数详细解读 （三）全局代价地图配置 global_costmap_params （四）机器人局部避障的动态窗口法(dynamic window approach)
ORBSLAM3三角化
qq_36474481的博客
11-30 570
ORBSLAM3中的三角化操作分析
三角化求空间点
dongqingyueyue的博客
01-10 451
文章目录前言方法一方法二 前言 在视觉追踪中或者SLAM中，不可避免的使用到三角化求空间点的坐标的过程，已知条件不同，求解空间点坐标的方法也就不同，因此在这里就总结一下，欢迎讨论。 方法一 已知：两个视图一组匹配点x1x_1x1​和x2x_2x2​，每个视图的相机投影矩阵映射关系P1P_1P1​和P2P_2P2​. 求：3D点的空间坐标。 解法：根据如下公式很容易求得X，x1=P1X x_1=...
三角化求解深度的方法汇总+代码展示
乘风的博客
05-23 629
看到一篇写的超级好的博客，转载一下~
三角测量恢复深度
zhubaohua_bupt的博客
07-10 6928
转载请说明出处：http://blog.csdn.net/zhubaohua_bupt/article/details/74926111 本文介绍一下，三维重建时，在极线搜索匹配后，怎么由匹配像素对来恢复像素的深度信息。 对于线性方程Ax=b，其最小二乘解为x=(A.transform() * A).inverse() * A *, https://blog.cs...
SLAM十四讲学习笔记6—— 前端：无深度相机时的深度估计——三角化与深度估计
qq_41620270的博客
03-18 693
SLAM十四讲学习笔记6—— 前端：无深度相机时的深度估计——三角化与深度估计定义步骤：三角化中的问题关于问题的改进： 定义 知道两图之间关系后对图中匹配点进行三角化与深度估计，估计出现实中物体相对于相机的距离。 步骤： 几何关系： 求时，两侧乘后得： 或者同时解： 求的最小二乘解： 三角化中的问题 1.解得深度的质量与平移相关。R、T很小是或者相机移动过小可能导致两点趋近平行甚至发散。...
slam十四讲--7.2三角测量-求深度
weixin_45634390的博客
03-29 2064
通过对极约束求得了两张图片的R和t之后，要怎么继续求得观测点P的空间坐标呢，由于R和t对图像上的每一个像素都一样，但是深度s是不一样的和上一节类似，考虑图像 I1 和 I2，以左图为参考，右图的变换矩阵为 T。相机光心为 O1 和 O2。在 I1 中有特征点 p1，对应 I2 中有特征点 p2。理论上直线 O1p1 与 O2p2 在场景中会相交于一点 P，该点即是两个特征点所对应的地图点在三维场景中的位置。
三角化求三维坐标 python
11-30 2528
1. 利用2张影像上的匹配点确定特征点在三维模型中的位置 ORB-SLAM里面用的Triangulate函数可以求解（C++代码） void Initializer::Triangulate(const cv::KeyPoint &kp1, const cv::KeyPoint &kp2, const cv::Mat &P1, const cv::Mat &...
测试三角化，利用直接线性变换法求三维点坐标（三维重建task2-1）
weixin_46877907的博客
02-22 636
测试三角化，利用直接线性变换法求三维点坐标（三维重建task2-1） 本代码解决的问题：已知相机参数和匹配点，恢复三维点的坐标 这次代码最主要的内容就是：如何把矩阵用代码的形式表示。 然后最终获得：2.14598 -0.250569 6.92321的结果。 矩阵A的表达式如下： * [x1P13 - P11] * A = [y1P13 - P12] * [x2P23 - P21] * [y2P23 - P22] std::ve
视觉SLAM总结，PNP:利用3D-2D点估计相机运动
Meanderiver的博客
08-25 1779
slam详解系列之pnp
从零开始学习slam
07-27
学习SLAM（Simultaneous Localization and Mapping）是一个相对复杂的过程，但是你可以按照以下步骤开始学习： 1. 学习基础知识：首先，你需要了解机器人感知、运动控制和地图构建的基本概念。熟悉概率和统计的基本概念也是非常有帮助的，因为SLAM中经常使用到这些方法。 2. 学习传感器：了解常用的传感器，如激光雷达、摄像头和惯性测量单元（IMU），以及它们的工作原理、数据处理方法和误差模型。 3. 学习SLAM算法：掌握常见的SLAM算法，如扩展卡尔曼滤波（EKF）、粒子滤波（PF）和图优化。理解这些算法的原理和实现方式是非常重要的。 4. 编程实践：选择一种编程语言（如C++或Python）并开始实践编写SLAM算法的代码。使用开源库，如ROS（Robot Operating System）或PCL（Point Cloud Library）可以加速你的学习过程。 5. 实验和调试：通过实验和调试来验证你的SLAM算法。使用模拟器或真实的机器人进行实验，分析结果并调整算法参数以优化性能。 6. 阅读论文和参考资料：定期阅读与SLAM相关的最新研究论文和参考资料，了解最新的算法和技术发展。 7. 实际项目：最终，尝试应用你所学的知识到实际项目中。参与开源项目或者参加机器人比赛等活动，将帮助你更深入地理解和实践SLAM技术。 需要注意的是，SLAM是一个广泛而复杂的领域，需要持续学习和实践才能真正掌握。所以，耐心和持之以恒的学习态度是非常重要的。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小秋slam入门实战

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值