【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1.7k 收藏 8
点赞数 4
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
从零开始学SLAM 专栏收录该内容
445 篇文章 287 订阅 ¥9.90 ¥99.00
订阅专栏

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

了解本专栏 订阅专栏 解锁全文
小秋 AI SLAM入门实战
关注
  • 4
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
基于深度学习的CNN_SLAM视觉定位系统设计源码
04-17
本项目是深度学习在视觉定位系统中的应用，具体实现了CNN_SLAM，即卷积神经网络同步定位与映射。该系统基于论文“CNN SLAM: Real-Time Dense Monocular SLAM with Learned Depth Prediction”...
SLAM中的三角测量
GuoBen_的博客
03-24 2251
三角测量是SLAM中，利用相机运动估计特征点空间位置的过程。 本节旨在解决以下问题： 三角测量的概念 三角测量的过程及代码实现； 三角测量有哪些不确定性 如何提高三角测量的精度 1. 概念在SLAM中，利用对极几何约束估计相机运动之后，我们还需要通过三角测量来估计地图点的深度。三角测量（三角化）指的是，通过在两处观测同一个点的夹角，...
【视觉里程计】对极几何，三角测量，PnP，ICP原理
WaitingfoDreams的博客
09-22 2518
对于视觉里程计的一些个人理解。
对极几何与三角化求3D空间坐标
最新发布
xiao__run的博客
09-07 589
所以通过函数pixel2cam可将像素坐标转换到归一化相机坐标系下。第二步：根据匹配点对，依据对极几何约束原理，求相机运动的R,t。第三步：根据针孔相机模型的公式，由 R,t估计特征点的空间坐标。其中 triangulatePoints()的具体用法为。归一化坐标：X=(u-u0)/fx。二、使用本质矩阵求解R，T。
SLAM前端：对极几何、三角测量
LittleEmperor的博客
03-30 1093
1 对极几何 对极几何在两帧的图像中，其中包含n个匹配的特征点，用于估计相机的位姿：旋转矩阵R与平移向量t。一般只在单目SLAM初始化过程中使用。 情景如图，两幅图分别为相机在两位置的图像，共同观测到P点。可以理解为，相机从位置变换到位置，旋转平移矩阵分别为R、t。现在需要求解R、t。 空间中的一对匹配点如图所示，左图投影点像素坐标，右图投影点。以左相机相机坐标系为参考坐标系有： ...
SLAM14讲学习笔记（四）视觉里程计（特征点法）和重难点总结
微鉴道长的博客
04-03 7456
直接总结吧：这一节描述的视觉里程计就是检测特征点，特征点匹配，匹配上以后算位姿和深度。 目录 特征点检测： 特征点匹配： 2D-2D 对极几何 三角测量 3D-2D 直接线性变化法： P3P： Bundle Adjustment 3D-3D SVD方式： 非线性优化方法： 特征点检测： Fast特征点：以半径为3画圆，检测周围一圈一共16个点，设定阈值。有12个连续的...
视觉SLAM实践入门——（12）三角测量
floatinglong的博客
05-18 1683
啊
视觉SLAM中的深度估计问题
WANGXIA2016的博客
02-27 1411
一、研究背景 视觉SLAM需要获取世界坐标系中点的深度。 世界坐标系到像素坐标系的转换为（深度即Z）： 深度的获取一共分两种方式： a）主动式 　　RGB-D相机按照原理又分为结构光测距、ToF相机 　　 　　　　　　　　　　　　　　ToF相机原理 b）被动 被动式无法精确得到点的深度值，因此存在深度的估计问题，按照主流相机的种类可以分为双目相机...
视觉SLAM总结，PNP:利用3D-2D点估计相机运动
Meanderiver的博客
08-25 1674
slam详解系列之pnp
视觉SLAM十四讲 第7讲 (3) 相机运动估计 2D-2D/3D-2D/3D-3D
CSSDCC的博客
12-26 3866
视觉SLAM十四讲第7讲 (3) 相机运动估计 2D-2D/3D-2D/3D-3D 理解与笔记
三角化求三维坐标 python
11-30 2309
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 &...
ROS与SLAM从零开始学习笔记（一）——ROS概述与环境搭建
01-20
写在前面：笔者最近在做一个基于ROS平台的小项目，也算是从零开始学ROS，在这里写下一些学习时的笔记。 笔者学习参考：古月居 一、ROS环境安装 ROS历经多个版本的升级，目前正不断适用于机器人领域的研究与控制，ROS...
深度学习在视觉SLAM中应用综述.pdf
08-19
深度学习在视觉SLAM中应用综述.pdf
基于激光SLAM和深度学习的语义地图构建.pdf
08-18
基于激光SLAM和深度学习的语义地图构建.pdf
视觉SLAM十四讲学习笔记-第七讲-视觉里程计-三角测量和实践
weixin_36773706的博客
02-24 2701
专栏汇总 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-开发环境搭建_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第三讲-旋转矩阵和Eigen库_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第三讲-旋转向量、欧拉角、四元数_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第三讲-相似、仿射、射.
SLAM学习笔记-------------（七）视觉里程计
1900的博客
05-08 1050
第七讲和第八讲主要介绍两种视觉里程计的常用方法：特征点法和光流法 本讲将介绍：什么是特征点、如何提取和匹配特征点、如何根据配对的特征点估计相机运动。 7.1 特征点法 第二讲我们说过，SLAM系统分为前端和后端。前端又叫做视觉里程计。视觉里程计根据相邻图像的信息估计出粗略的相机运动。给后端提供较好的初始值。 视觉里程计算法主要分为两大类：特征点法和直接法。 视觉里程计的核心问题就是根据图像估计相机运动。 我们从图像中选取有代表性的点，这些点在相机视角发生少量变化的情况下保持不变。 我们在各个图
计算机视觉对极几何之Triangulate(三角化)
热门推荐
CG-SpatialAI
01-31 1万+
文章目录求解空间点坐标Triangulate in ORB-SLAM2Triangulate in PTAM求解空间点深度Triangulate in SVOTriangulate in REMODEReference 求解空间点坐标 Triangulate in ORB-SLAM2 已知，两个视图下匹配点的 图像坐标 p1\boldsymbol{p}_1p1​ 和 p2\boldsymbol{p...
[学习SLAM ]单目vo中的深度确定方法--三角测量
开源节流
07-09 3585
三角测量的目的是用来确定图片中某一个点的深度。为什么会有这样的需求呢？我们在前面的博客中提到了对极几何与单应变换。在前面其实已经提到过了，在单目VO中，虽然我们可以通过本质矩阵与单应矩阵恢复出相机变换的位姿，但是这两种方法确定的位姿变换是具有尺度不确定性的。在双目vo中，我们会首先使用三角测量恢复出深度信息，再进行位姿估计。 因为基础矩阵与单应矩阵本身描述的是从一个2d平面到另一个2d平面的变换，无需3d深度信息，这两种变换都是正常进行的，因此自然就具有尺度不确定性。更加具体的讲，将基础矩阵与单应矩阵作
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...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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 AI 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