视觉SLAM面试题汇总（二）

目录

29、3D地图点是怎么存储的？表达方式？

30、地图点的构建方法有哪些？

31、RGB-D的SLAM和RGB的SLAM有什么区别？

32、边缘检测算子汇总

（1） Canny算子

（2） Sobel算子

（3）Roberts算子

（4）Prewitt算子

（5）Laplacian算子

33、SLAM中采用逆深度的原因？

34、SFM和SLAM里面的BA有什么区别？

35、ORB SLAM里面的Local Map和VINS-Mono里面的滑窗法有什么区别？

36、ORB SLAM有什么缺点？

37、给一组点云，从中提取平面。

38、BA中，相机位姿很快接近真值，但地图点却不能很快的收敛，这是为什么？

39、介绍经典的视觉SLAM框架

40、特征点法与直接法误差模型、Jacobian推导

41、介绍下VO

41、RPE、ATE的RMSE分别是什么？

42、直接法相关问题汇总

43、BA中Hessian矩阵求逆除了边缘化和gpu还有哪些加速的办法？

44. PnP求解只有一个点对时的自由度？两个点对时的自由度？

45、EKF和BA的区别

46、单目、双目、深度相机对比

47、常用的边缘检测算子和优缺点

48、对于动态光线明暗变化、动态场景，视觉SLAM如何去解决？

48.1 光线明暗变化

48.2 动态场景

---

---

比较难的面试题目汇总如下：

https://www.freesion.com/article/35571024388/#6.%20%E4%BB%8B%E7%BB%8D%E4%B8%8BVO

自己总结的也比较全的题目汇总：https://visionary.blog.csdn.net/article/details/115566100?utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.base&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.base

29、3D地图点是怎么存储的？表达方式？

     以ORB SLAM2为例，3D地图点是以类的形式存储的，在类里面除了

• 存储3D地图点的空间坐标；
• 同时还存储了3D点对应的（多个）图像点的描述子（其实就是BRIEF描述子），用来快速进行与特征点的匹配；
• 同时还用一个map存储了与其有观测关系的关键帧以及其在关键帧中的Index等等。

class MapPoint
{
 
// ...
 
protected:   
     // Position in absolute coordinates
     cv::Mat mWorldPos;
 
     // Keyframes observing the point and associated index in keyframe
     std::map<KeyFrame*,std::tuple<int,int> > mObservations;
     // For save relation without pointer, this is necessary for save/load function
     std::map<long unsigned int, int> mBackupObservationsId1;
     std::map<long unsigned int, int> mBackupObservationsId2;
 
     // Mean viewing direction
     cv::Mat mNormalVector;
 
     // Best descriptor to fast matching
     cv::Mat mDescriptor;
 
     // Reference KeyFrame
     KeyFrame* mpRefKF;
     long unsigned int mBackupRefKFId;
 
     // Tracking counters
     int mnVisible;
     int mnFound;
 
     // Bad flag (we do not currently erase MapPoint from memory)
     bool mbBad;
     MapPoint* mpReplaced;
     // For save relation without pointer, this is necessary for save/load function
     long long int mBackupReplacedId;
 
     // Scale invariance distances
     float mfMinDistance;
     float mfMaxDistance;
 
     Map* mpMap;
 
     std::mutex mMutexPos;
     std::mutex mMutexFeatures;
     std::mutex mMutexMap;
};

30、地图点的构建方法有哪些？

        （1）ORB SLAM2中是根据三角化的方法确定地图点的，利用匹配好的两个点构建AX=b的方程，然后利用SVD分解去最小奇异值对应的特征向量作为地图点坐标。，参考多视图几何总结——三角形法。

        （2）在SVO中是利用深度滤波器进行种子点深度更新，当种子点深度收敛后就加入了地图构建地图点。

31、RGB-D的SLAM和RGB的SLAM有什么区别？

32、边缘检测算子汇总

        边缘检测一般分为三步，分别是滤波、增强、检测。基本原理都是用高斯滤波器进行去噪，之后在用卷积内核寻找像素梯度。常用有三种算法：canny算子，sobel算子，laplacian算子。

        canny算子：一种完善的边缘检测算法，抗噪能力强，用高斯滤波平滑图像，用一阶偏导的有限差分计算梯度的幅值和方向，对梯度幅值进行非极大值抑制，采用双阈值检测和连接边缘。       

        sobel算子：一阶导数算子，引入局部平均运算，对噪声具有平滑作用，抗噪声能力强，计算量较大，但定位精度不高，得到的边缘比较粗，适用于精度要求不高的场合。

        laplacian算子：二阶微分算子，具有旋转不变性，容易受噪声影响，不能检测边缘的方向，一般不直接用于检测边缘，而是判断明暗变化。

（1） Canny算子

        参考Canny边缘检测算法解析

        Canny边缘检测算法可以分为以下5个步骤：
        （1）使用高斯滤波器，以平滑图像，滤除噪声。

        （2）计算图像中每个像素点的梯度强度和方向。
        （3）应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

        （4）应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
        （5）通过抑制孤立的弱边缘最终完成边缘检测。

        这里值得细究的非极大值抑制算法和双阈值滤波算法，如下：

        要进行非极大值抑制，就首先要确定像素点C的灰度值在其8值邻域内是否为最大。图中中蓝色的线条方向为C点的梯度方向，这样就可以确定其局部的最大值肯定分布在这条线上，也即出了C点外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此，判断C点灰度与这两个点灰度大小即可判断C点是否为其邻域内的局部最大灰度点。如果经过判断，C点灰度值小于这两个点中的任一个，那就说明C点不是局部极大值，那么则可以排除C点为边缘。这就是非极大值抑制的工作原理。

        左侧是没有经过非极大值抑制的梯度，右侧是经过非极大值抑制后的梯度， 完成非极大值抑制后，会得到一个二值图像，非边缘的点灰度值均为0，可能为边缘的局部灰度极大值点可设置其灰度为128。

        Canny算法中减少假边缘数量的方法是采用双阈值滤波算法，选择两个阈值，根据高阈值得到一个边缘图像，这样一个图像含有很少的假边缘，但是由于阈值较高，产生的图像边缘可能不闭合，未解决这样一个问题采用了另外一个低阈值。在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。

 如上图所示，E1为低阈值滤波的结果，E2为高阈值滤波的结果。

        以下几种边缘检测算子相比之下就简单很多，更像一个卷积核操作