【slam十四讲第二版】【课后习题】【第七讲~视觉里程计Ⅱ】
- 0 前言
- 1 课后习题
- 1.1 除了LK 光流之外,还有哪些光流方法?它们各有什么特点?
- 1.2 在本节的程序的求图像梯度过程中,我们简单地求了u+1 和u-1 的灰度之差除2,作为u 方向上的梯度值。这种做法有什么缺点?提示:对于距离较近的特征,变化应该较快;而距离较远的特征在图像中变化较慢,求梯度时能否利用此信息?
- 1.3 在稀疏直接法中,假设单个像素周围小块的光度也不变,是否可以提高算法鲁棒性?请编程实现此事。
- 1.4. 使用Ceres 或g2o实现RGB-D 上的稀疏直接法和半稠密直接法。
- 1.5 相比于RGB-D 的直接法,单目直接法往往更加复杂。除了匹配未知之外,像素的距离也是待估计的。我们需要在优化时把像素深度也作为优化变量。阅读[57, 59],你能理解它的原理吗?如果不能,请在13 讲之后再回来阅读。
- 1.6 由于图像的非凸性,直接法目前还只能用于短距离,非自动曝光的相机。你能否提出增强直接法鲁棒性的方案?阅读[58, 60] 可能会给你一些灵感。
【slam十四讲第二版】【课后习题】【第七讲~视觉里程计Ⅰ】
0 前言
1 课后习题
1.1 除了LK 光流之外,还有哪些光流方法?它们各有什么特点?
1.2 在本节的程序的求图像梯度过程中,我们简单地求了u+1 和u-1 的灰度之差除2,作为u 方向上的梯度值。这种做法有什么缺点?提示:对于距离较近的特征,变化应该较快;而距离较远的特征在图像中变化较慢,求梯度时能否利用此信息?
- 当被观测的特征点离相机距离比较小时,其像素的运动会明显加快,像素跨度会增大,像素的梯度不可能能被左右两个像素灰度值之和除以2的,而且这种方法也很容易被噪音影响以至于光流运算过程精度下降。
- 当距离特别远时,容易速度变化过小,引起漂移。
- 在求梯度时,对于不同深度的像素块可以分层优化求解。
- 在式(8.15)中,像素梯度为0,整项雅可比矩阵就为零,不会对计算运动增量有任何贡献。
1.3 在稀疏直接法中,假设单个像素周围小块的光度也不变,是否可以提高算法鲁棒性?请编程实现此事。
- 实现代码参考:视觉slam十四讲第8章课后习题3+稀疏直接法程序注释
- 分析:根据直接法的思想:基于灰度不变假设。因为题目假设了周围小块光度也不变,那么我们可以用单个像素周围的3x3或5x5小块的平均灰度值作为单个像素的灰度值,从一定程度上调高了健壮性,但是效果提升有限。
1.4. 使用Ceres 或g2o实现RGB-D 上的稀疏直接法和半稠密直接法。
- 未实现,但是有时间可以来实现,就当复习一下直接法和光流法以及ceres和g2o
1.5 相比于RGB-D 的直接法,单目直接法往往更加复杂。除了匹配未知之外,像素的距离也是待估计的。我们需要在优化时把像素深度也作为优化变量。阅读[57, 59],你能理解它的原理吗?如果不能,请在13 讲之后再回来阅读。
- 挖坑,十三讲之后再来
- 参考:《视觉SLAM十四讲 第二版》笔记及课后习题(第八讲)