「零基础从零开始写VO视觉里程计」3D空间点和2D特征点求位姿并用高斯牛顿和G2O优化

已于 2022-09-18 21:02:10 修改
阅读量1.4k 收藏 11
点赞数 7
分类专栏： 从零开始学SLAM 文章标签： 从零开始学习SLAM
于 2020-04-27 14:50:41 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/105790016
版权
这篇博客介绍了从零开始构建视觉里程计的方法，涉及3D空间点与2D特征点的位姿估计，利用PnP算法和Bundle Adjustment进行优化。内容包括投影模型、重投影误差、视觉SLAM的Bundle Adjustment问题以及pose_estimation_3d2d.cpp的源码解析和图优化过程。
摘要由CSDN通过智能技术生成

运行结果

./pose_estimation_3d2d

在这里插入图片描述在这里插入图片描述

投影模型

在这里插入图片描述

重投影误差

在这里插入图片描述

视觉 SLAM 里的 Bundle Adjustment 问题

双目或RGBD的视觉里程计中使用PnP估计相机运动。
PnP算法：用三对点估计位姿P3P输入：３

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
「零基础从零开始写VO视觉里程计」统计学、概率论、最小二乘、图优化（7-4）
小秋 AI SLAM 入门实战教程
09-17 378
一组数据按大小顺序排列，位于最中间的一个数据 (当有偶数个数据时，为最中间两个数据的平均数) 叫做这组数据的中位数。用中位数作为一组数据的代表，可靠性不高，但受极端数据影响的可能性小一些，有利于表达这组数据的 “集中趋势”。几组数据中出现次数最多的那个数据，叫做这批数据的众数。用众数作为一组数据的代表，可靠性较差，但众数不受极端数据的影响，并且求法简便，当一组数据中个别数据变动较大时，适宜选择众数来表示这组数据的 “集中趋势”。算数平均数是一组数据的和除以这组数据的个数所得的商、反映一组数的总体情况比中位数
「零基础从零开始写VO视觉里程计」曲线拟合g2oCurveFitting.cpp（7-3）
小秋 AI SLAM 入门实战教程
09-17 389
从零开始手写VO」G2O用法汇总（1-3）g2o曲线拟合g2oCurveFitting.cpp。
《视觉SLAM14讲》学习小结——供小白快速入门ch4
最新发布
weixin_44469383的博客
07-28 382
李群，李导数，扰动模型法，优化
「零基础从零开始写VO视觉里程计」ceres曲线拟合 ceres_curve_fitting.cpp（7-2）
小秋 AI SLAM 入门实战教程
09-17 310
【代码】「从零开始手写VO」G2O用法汇总（1-2）ceres曲线拟合 ceres_curve_fitting.cpp。
「零基础从零开始写VO视觉里程计」G2O基础知识讲解（7-5）
小秋 AI SLAM 入门实战教程
09-17 646
HyperGraph::Vertex 是个abstract vertex，必须通过派生来使用HyperGraph::Vertex 是通过类OptimizableGraph 来继承的顶点的基类型是 BaseVertex模板类：BaseVertex， 参数 D 和 T，D是int 类型的，表示vertex的最小维度，比如3D空间中旋转是3维的，那么这里 D = 3T是待估计vertex的数据类型，比如用四元数表达三维旋转的话，T就是Quaternion 类型。
从零开始学视觉里程计——一个初学者教程
xiaobeng8998的博客
11-17 2273
从零开始学视觉里程计——一个初学者教程 目录从零开始学视觉里程计——一个初学者教程什么是里程计什么是视觉里程计为什么使用立体相机，或者为什么使用单目相机？理论足够了，现在讨论算法问题描述输入输出算法去畸变、校正视差图计算Block-Matching算法特征检测特征描述和特征匹配3D点云三角测量内部检测计算R和t结果验证一个重要的“程序”备注 什么是里程计 你见过汽车仪表盘上那个能告诉你汽车行驶了多少距离的小装置吗？它叫做里程计。它(可能)测量车轮的旋转圈数，并将其乘以周长，从而得到汽车行驶的距离的估计值。在
「零基础从零开始写VO视觉里程计」高斯牛顿曲线拟合 gaussNewton.cpp（7-1）
小秋 AI SLAM 入门实战教程
09-17 313
【代码】「从零开始手写VO」G2O用法汇总（1-1）高斯牛顿曲线拟合 gaussNewton.cpp。
【从零开始学习SLAM】两帧之间的特征点视觉里程计并用g2o优化
小秋 AI SLAM 入门实战教程
05-06 1632
文章目录总结visual_odometry.cpp代码详细注释run_vo.cpp代码详细注释算法解析源码解读g2o_types.hg2o_types.cpp参考资料 总结 Config类负责参数文件的读取。 Camera类存储相机的内参和外参,并完成相机坐标系、像素坐标系、和世界坐标系之间的坐标变换。 Frame类定义了 ID、时间戳、位姿、相机、图像、提供基本的数据存储和接口。 MapPoint表示路标点估计它的世界坐标,拿当前帧提取到的特征点与地图中的路标点匹配,来估计相机的运动 Map类存储关键帧
视觉里程计
11-27 2003
一、概念 VO的目标是根据拍摄的图像估计相机的运动。主要分为特征点法和直接方法。特征点法能够在噪声较大、相机运动较快时工作，构建地图是稀疏特征点；直接方法不需要提特征，能够建立稠密地图，计算量大，目前鲁棒性不好。 二、原理 利用图像信息恢复车身本体的六自由度运动，包括三自由度的旋转和三自由度的平移。基于图像信息的自运动估计方法。特征点法的基本步骤包括：特征提取、特征匹配、坐标变换和运动估计。与此联系紧密的两个研究领域是形状信息运动复原（SFM）算法和SLAM算法。SLAM中，实时估计相机的位置和标志的空间位
视觉里程计Visual Odometry(VO)
hxxjxw的博客
09-20 1786
视觉里程计（Visual Odometry，简称VO）是SLAM技术中非常关键的部分，主要侧重于计算机视觉算法. 视觉里程计这个术语借鉴了汽车的车轮里程计的概念，还是挺贴切的。 我们知道汽车的车轮里程计是用来测量车速、行驶距离的测量装置。它的原理可以简单的做如下理解：汽车的车轮直径是已知的，那么车轮的周长也可以计算出来，都是一个恒定的值。车轮上安装有一个“计数器”，车轮每转动一圈就记一次数字，两次计数之间的时间也是可以测量的，因此根据车轮的周长和两次计数时间差...
VO：简单的视觉里程计代码注释（代码可运行）
try_again_later的博客
10-11 5702
走完SLAM十四讲前端之后，代码都已经注释完，但还是感觉有点迷茫，所以专门参考冯兵的博客，实现简单的视觉里程计。 收获是又重新认识到了C++基础的薄弱，决定之后的晚上要刷牛客题。不过就SLAM前端而言这部分基本可以理解代码了，这篇对VO代码进行注释。 基本过程： 1、获取图像 2、对图像进行处理 3、通过FAST算法对图像进行特征检测，通过KLT光流法跟踪图像的特征，如果跟踪的特征有所丢失，特...
3d-2d g2o基本流程 以及 BlockSolverTraits的定义
hhz_999的博客
03-17 1763
在使用g2o的时候，通常要线设定g2o的顶点类型和边类型。 其中BlockSolverTraits<M,N>参数总是让人琢磨不透。 以下为代码示例，接下来给出解答。
高斯牛顿(Gauss Newton)、列文伯格-马夸尔特(Levenberg-Marquardt)最优化算法与VSLAM
weixin_30463341的博客
07-11 1357
转载请说明出处：http://blog.csdn.net/zhubaohua_bupt/article/details/74973347 在VSLAM优化部分，我们多次谈到，构建一个关于待优化位姿的误差函数 （直接法：灰度误差 ；特征点法：重投影误差）， 当待优化的位姿使这个误差函数最小时(当SLAM运动不是太剧烈时，误差函数满足单峰性)，认为此时位姿最精确。 如果这个误...
3d-2d，使用PnP和g2o非线性优化解决
Summer_star_summer的博客
07-19 1017
#include < iostream> #include <opencv2/imgcodecs.hpp> #include <opencv2/core/core.hpp> #include <opencv2/features2d/features2d.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/calib3d/calib3d.hpp> #include &
BA优化PnP的思路
weixin_30727835的博客
08-18 593
由之前的PnP,可以求出一个R,t,K又是已知的。而且空间点的世界坐标知道，第二个相机位姿的像素坐标也是知道的。就可以利用它们进行优化。首先确定变量为const vector<Point3f> points_3d,const vector<Point2f>,const Mat& K,Mat& R,Mat& t.因为之后放进去的pts_3d,pts_2...
3D-2D：PnP算法原理
热门推荐
Mr.Andy的博客
05-02 5万+
PnP算法原理1.问题背景—— 什么是PnP问题 ？2.PnP问题的求解方法2.1 P3P2.1.1 算法的实际理解2.1.2 算法的数学推导2.1.3 算法的缺陷2.2 直接线性变换(DLT) 根据高博士的《视觉SLAM十四讲》内容和相关博客的内容，对PnP问题有了一点点新的理解。再次记录一下。 参考博客： http://www.cnblogs.com/singlex/p/pose_estima...
安装ceres_solver
smileindark的专栏
02-20 380
安装ceres_solver # Cmake $ sudo apt-get install cmake # google-glog + gflags $ sudo apt-get install libgoogle-glog-dev # BLAS & LAPAC $ sudo apt-get install libatlas-base-dev # Eigen3 已用安装包安装过 $...
利用python通过三点法计算两个坐标系之间的位姿变换矩阵
hunter206的博客
01-18 8998
python三点法位姿矩阵计算
评论 2
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