SLAM十四讲学习笔记2—— 特征点法

最新推荐文章于 2024-05-20 23:43:52 发布
最新推荐文章于 2024-05-20 23:43:52 发布
阅读量576 收藏 1
点赞数
分类专栏： 机器人视觉 文章标签： 计算机视觉 slam 前端
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_41620270/article/details/104942019
版权
本文介绍了SLAM中的特征点法，包括FAST关键点提取和ORB描述子匹配。通过特征点的性质、信息和匹配方法，阐述了如何在图像中找到并匹配特征点，用于计算图像间的相对位置和深度估计。尽管这种方法存在尺度不变性问题，但通过图像金字塔可以部分解决。
摘要由CSDN通过智能技术生成

SLAM十四讲学习笔记2—— 前端特征点法之特征描述与特征匹配

思路

由于每个图片里的像素点非常多，无法将所有点都进行对比。因此将每个图片中有特征的点提取出来进行对比。

步骤

  1. 将图中特征点（关键点）提取出来：FAST ；
  2. 匹配描述点附近图像块的编码关系：ORB；
  3. 有了两图的二进制编码即可计算得两图位置（R、t）的关系：ICP；
  4. 知道两图关系即可估计特征点代表的实际物体距相机的深度：三角化估计深度；

简化后思路

假设图片纹理丰富，可以简单的找到角点作为特征点进行匹配。进行匹配后可以找到两张图片的对应关系。（本课题不使用？）

特征点性质

代表性、可重复性（在A中有这个点同时在B中也可以看到这个点）、可区别性（这个点在A、B中存在的位置等信息有区别，可以用来进行比较）、高效（计算量小，对比速度要小于图片更新速度）、本地的部分。在本课题中由于使用SLAM需要进行实时定位，因此特征点提取必须非常之快，可以牺牲少量的准确性。

特征点的信息

位置（在哪？）、大小（取多大？）、方向（角点方向向外还是里？）、评分、自身信息（u、v、、s等）等——关键点（FAST/GFTT）

特征点的信息

  1. 理想方
最低0.47元/天 解锁文章
柠心语冰
关注
专栏目录
视觉SLAM14讲-学习记录-特征点法
qq_42789829的博客
11-01 496
视觉SLAM-特征点法-学习记录
SLAM十四讲学习笔记4—— 前端直接法
qq_41620270的博客
03-18 375
SLAM十四讲学习笔记4—— 前端直接法光流法缺点直接法思路与步骤分类数学描述对结论的一些直观解释优缺点 光流法缺点 光流仅估计了像素间的平移，但没有用到相机本身的几何结构；没有考虑到相机的旋转和图像的缩放；对于边界上的点，光流不好追踪。 直接法则考虑了这些信息。 直接法思路与步骤 不关注一个像素点是如何移动的，而是整体地关注相机的移动。把数据关联（即特征点中提取与匹配特征点这两步）合并为一步。用...
基于特征点的视觉SLAM——VO
11-29
基于特征点的视觉SLAM——VO前端。对基于特征点的视觉SLAM做一个综述
特征点法+直接法
a7691176的博客
10-24 1244
1.ORB特征 是目前看来非常具有代表性的实时图像特征。[ORB特征：改进的FAST（oriented FAST）关键点+BRIEF描述子] 这个博客讲的很详细可做参考：http://blog.csdn.net/qq_18661939/article/details/52900524 2.汉明距离： 汉明距离是以理查德•卫斯里•汉明的名字命名的。在信息论中，两个等长字符串之间的汉...
特征点法
weixin_38117861的博客
11-18 513
视觉slam分为前端和后端，前端也叫视觉里程计（VO），他根据相邻图像信息粗劣估计相机运动。VO根据是否用到特征点分为直接法和特征点法。特征点由关键点和描述子构成，关键点好理解，描述子则为关键点周围的信息。 这里介绍其中一种特征点，ORB（Oriented Fast and Rotated BRIEF(Binary Robust Independent Elementary Featrue)）： ...
视觉SLAM理论入门——（6）视觉里程计之特征点法—特征点
floatinglong的博客
04-30 2210
一个SLAM系统可以分为前端和后端，其中前端称为视觉里程计，其作用是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 视觉里程计的算法主要有两大类：特征点法（主流方法）、直接法 1、特征点 视觉里程计的核心问题是根据图像估计相机运动。特征点法是从各个图像中选取相同的有代表性的点（相机视角发生少量变化时，这些点保持不变），在这些点的基础上讨论相机位姿估计问题以及这些点的定位问题。在经典SLAM模型中，这些点是路标；在视觉SLAM中，这些点是图像特征 数字图像在计算机中以灰度值...
视觉SLAM十四讲学习笔记——第九讲 后端优化（1）
weixin_61294345的博客
11-25 2812
经过前端（视觉里程计）估计得到的轨迹和地图由于存在累计误差，在长时间内是不准确的。因此希望构建一个针对全局的更大规模的优化问题，得到最优的轨迹和地图，这里主要有两种解决思路： （1）基于马尔可夫性假设的卡尔曼滤波器：马氏性假设可以简单地理解为“当前时刻状态只与上一时刻有关”。针对SLAM问题（非线性）的卡尔曼滤波器给出了单次线性近似下的最大后验估计，或者说是优化过程中一次迭代的结果。 （2）非线性优化：非线性优化考虑了当前及之前所有时刻的状态，同时优化所有时刻的相机位姿以及各个特征点的空...
SLAM十四讲学习笔记3—— 前端光流法
qq_41620270的博客
03-18 408
SLAM十四讲学习笔记3—— 前端光流法光流法：估计一个像素点在图片与图片之间是怎么移动的LK光流法计算步骤注解优缺点 光流法：估计一个像素点在图片与图片之间是怎么移动的 1.不用提取第二幅图中的特征点；只需要找到第二幅图中对应第一幅图中的特征点即可（如何找？）。 2.光流法描述了像素在图像中的运动。 3.分为稀疏光流和稠密（几乎所有）光流。 4.这里介绍的LK是稀疏光流的代表方法。 LK光流法计...
视觉SLAM十四讲学习笔记——第十三讲 实践：设计SLAM系统
weixin_61294345的博客
12-02 2646
1.如何运行示例代码 2.主要头文件 3.主要算法框架图 4.主要关注的问题
slam.rar_G2O_点云特征_点云特征提取_视觉SLAM_视觉SLAM十四讲
07-15
视觉slam十四讲，程序资料：g2o优化、cere拟合、特征点提取与匹配、点云拼接、opencv图像读取
Brisk特征算法描述
11-03
Brisk特征算法描述
SLAM14讲第7.1讲--特征点匹配
qq_40574123的博客
12-16 1399
在第5.1章双目相机中，我们知道，如果已知视差的情况下，可以得出深度信息。但是其中涉及一个问题。怎么可以得到视差？我们分析可知，我们需要得到相匹配的像素点，才可以得到视差。于是在这一节，引出概念：特征点匹配。 这个事情也是运动状态估计的前提。 在SIFT算法中，特征点分为两块：关键点和描述子。提取关键点和计算描述子 关键点是指该特征点在图像里的位置，有些特征点还具有朝向、大小等信息。描述子通常是一个向量，按照某种人为设计的方式，描述了该关键点周围像素的信息。 关键点（特征点的提取） 选取什么样的点作为关键点
特征点法-ORB特征-slam14-ch7
weixin_45080292的博客
01-19 2448
一、 概述视觉里程计 视觉里程计work流程： 视觉里程计步骤： 找到图像关联点 估计相机位姿 如需要增加地图 二、 特征点法 （一）特征点 特征点组成: 图像特征： 人工设计特征点拥有性质： 可重复性（Repeatability）：相同的“区域”可以在不同的图像中被找到。 可区别性（Distinctiveness）：不同的“区域”有不同的表达。 高效率（Efficiency）：同一图像中，特征点的数量应远小于像素的数量。 本地性（Locality）：特征仅与一小片图像区域相关。 （二）ORB
SLAM高翔十四讲（七）第七讲 视觉里程计（特征点法）
shendaiyan的博客
07-18 561
文章目录一、特征点法1.1 特征点1.2 ORB特征1.3 特征匹配二、特征点的提取与匹配2.1 使用OpenCV提取匹配ORB2.1.1 CMakeLists.txt2.1.2 代码展示2.1.3 结果2.2 手写ORB特征2.2.1 CMakeLists.txt2.2.2 代码展示2.2.3 结果三、根据特征点估计相机运动：旋转R 、平移t四、对极几何法（2D->2D）：已知二维特征点(像素坐标)估计相机位姿4.1 理论部分4.2 CMakeLists.txt4.3 代码展示4.4 结果五、三角测
特征点学习笔记 - SIFT
fsFengQingYangheihei的博客
12-14 905
(2013-03-13 15:54:30) 转载▼     最近在看一些特征点方面的文章，发现很多思路都来源于sift，所以决心回过头来把sift点温习一下，以便理解特征点构建的来龙去脉，下面是几个关键点。 一、尺度不变性：尺度不变性的根本原因是，极值点在提取上是在尺度空间上提取的，极值点的描述又是在尺度空间上建立的，因
视觉SLAM（四）：视觉里程计——特征点法
Starry__的博客
08-23 1819
目录1. 特征点法1.1. 特征提取1.2. 特征匹配1.3. 计算相机运动三级目录2. 直接法 在SLAM中前端视觉里程计（Visual Odometry, VO）要完成的是通过摄像头相邻的两帧图像变化估计相机的运动，并恢复空间结构。有两大类算法，分别是特征点法和直接法。 1. 特征点法 特征点法的含义是：通过分析相邻图像中特征点的变化来估计相机的运动。 1.1. 特征提取 此处特征点指图像中特别的区域，并且相邻间图像特征点 在诸如旋转、光照、尺度缩放等等影响下不发生明显变化。例如角点、边缘点、暗区域的亮
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 8074
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...
一起自学SLAM算法：3.4 图像特征点提取
机器人研究猿-CSDN
07-13 4222
特征点提取算法能帮助计算机获取图像的区域特征信息，并应用于图像识别、图像匹配、三维重建、物体跟踪等领域。在实际工程中，具有很高的应用价值。在图像领域，特征点（feature points）也常常被称为关键点（key points）或兴趣点（interest points）。特征点的提取有多种算法，可以从图像纹理信息来提取，也可以通过图像区域灰度统计信息来，或者通过频谱变化、小波变换等变换后在变换空间进行提取。本节将对最常用的SIFT（scale invariant feature transform，尺度不
视觉里程计系列（4）：特征点法
最新发布
weixin_46444742的博客
05-20 891
VO的核心任务是如何，相较于计算整个图像之间矩阵的变化，便捷的方法是仅提取图像中具有代表性的点，这些点在视角发生少量变化后保持不变，在经典SLAM中，这些点称为路标，在视觉SLAM中，称为图像特征（Feature）。特征点是图像中一些特别的地方，相较于边缘和区块，角点是最容易辨认的。角点的提取算法有Harris角点、FAST角点、GFTT角点，但角点会随着视角远近变化、相机旋转，会导致很难辨别，故研究者设计了不同的特征点去解决这些问题，代表性的有：SIFT、SURF、ORB等。
评论
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
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