视觉SLAM学习——视觉里程计VO

视觉SLAM学习——视觉里程计VO

本文为个人学习视觉slam之后的一些片面的理解，希望能够对大家有所帮助

特征点法

ORB特征检测

这里仅仅介绍ORB特征点的提取的算法过程：

1、FAST特征点提取（设提取n个角点）：

1.1、选取像素p，获得其亮度为Ip
1.2、设置阈值T（如：Ip的 20%）
1.3、以p为中心选取半径为3的圆上的16个像素点
1.4、预测试像素：检测索引为1、5、9、13的像素点，三个以上满足阈值条件才进行下一步
1.5、若连续N个大于（小于）Ip+T，则将其选为特征点（如FAST-12 : N=12）
1.6、计算Harris响应，选取前n个

2、对FAST角点构建图像金字塔实现尺度不变性

3、对角点采用灰度质心法实现旋转不变性

具体操作为连接区域的几何中心与图像质心，获得角点的向量特征

4、获得角点的BRIEF描述子

4.1、按照某概论分布随机挑选附近两个像素（p，q）
4.2、比较两个像素点大小并获取0，1编码，若p>q则 取1，否则取0
4.3、计算n组像素，获得其向量作为描述子

特征匹配

特征匹配基本原理即是：匹配相邻两帧间的特征点的描述子，获得n组匹配点
这里举两种匹配方法：
1、快速近似最邻近算法ANN：利用局部敏感哈希方法计算
2、汉明距离：两个等长字符串在对应位置上不同字符的数目
至此获得了匹配上的特征点

相机位姿T估计及3D点P的求取

1、2D到2D过程

单目视觉的初始化是一个2D到2D的过程：

1.1、位姿T的获取：

1.1.1、位姿T的获取采用对极几何的方法构建对极约束
1.1.2、经过一系列变换，最终获得本质矩阵E=t^R, 且$x_2^T\ast E\ast x_1=0$，t为平移，R为旋转
1.1.3、由于E具有尺度等价性，故可用利用八点发求E
1.1.4、获得本质矩阵E后，可采用奇异值分解(SVD)：E=U∑V(T)，求得t与R

1.2、3D点P的获取

1.2.1、利用三角测量的方法获得方程：$s_1\ast x_1=s_2\ast R\ast x_2+t$，其中s为深度值，x为匹配好的归一化平面点(u,v,1)
1.2.2、对方程左乘x1^ ：s1*x1^ *x1=0=s2*x1^ R*x2+x1^t
1.2.3、利用等式右边可求得x2深度s2的最小二乘解
1.2.4、带入原式可求得s1

1.3、最后可加入深度滤波器对获得的深度进行滤波

2、3D到2D过程

单目初始化完成之后，即可视为一个3D到2D估计的过程，这里介绍两种方法

2.1 直接线性变换DLT：

2.1.1、利用s*x=[R|t]*P获得两个约束，其中s为深度，x为归一化平面坐标(u,v,1)，R|t为3 * 4的矩阵，表姿态，P表世界坐标，tn表R|t的第n行：
$$t_1^T\ast P-t_3^T\ast P\ast u=0$$
$$t_2^T\ast P-$$