Tji怎么理解,因为右边乘的一般是i坐标系下的,然后转到j坐标系下,所以这么念
看着我理解了本质矩阵,就是Rt相乘的一个矩阵!求本质矩阵其实就是求Rt!
R*t总共有9个数字,但是,E绝对的尺度是不知道的,因为那个方程,多大相乘都是为0,所以只需要8个点,也就是8点法!
给两张图像,给其中至少8个对应像素点,可以把这两个图像之间的相对位置给算出来。
但是其实可以更少,Rt是刚体运动,刚体自由度是6,减去一根尺度,那自由度是5,R的自由度是3,t的自由度,因为绝对尺度求不出来,所以自由度为2不是3.所以理论上我们最少只需要五对点就可以把R和t给求出来了。当然实际当中最常用的还是8点法。
这个东西虽然很基础,但是时不时会用到。
(我看计算机视觉中的多视图几何里面也是有讲基本矩阵的计算的,本质矩阵是基本矩阵的一部分,pnp也是要求解本质矩阵吧)
经常想一想有多少个未知量,有多少个约束,有帮助于你理解这个问题,做视觉SLAM的时候。你做视觉SLAM,要求解相机位姿,是六个自由度,要求解特征点位置是多少个自由度,对应约束有多少,可以从哪里来。
这里给出了SFM和SLAM的关系
SFM用于基于图像的三维重建,可以在线或者离线,时序上可以顺序或者乱序,而SLAM是在线实时的。这是两者的区别。(确实我看三维重建课程里面也有讲SFM的)
特征点法的核心是重投影误差,直接法的核心是光度误差。
根据光度误差优化R t d 误差就是像素的颜色差
直接法建出的图更稠密一些
(直接法没有特征点匹配对应关系,需要较小视差,这会不会是SVO2.0对转偏航不鲁棒的原因?)
特征点法对运动模糊不鲁棒因为一模糊特征点描述子可能就变了。
光度标定,就是如果一张图像一直比另一张图像亮或者按,这样子,可能需要光度标定。
大范围视觉里程计,其实主要想讲的是DSO,双目DSO
好像讲的这个人就是双目DSO的作者或者作者之一?
给一张图,用神经网络预测出深度,这样可以达到双目对尺度约束的效果,解决单目尺度上的问题。可以得到和双目一样甚至更好的效果,这个工作是下面这篇论文。
双目DSO还可以给比较好的三维重建
果然王锐就是这个DSO的第一作者
(我个人感觉双目DSO应该算半稠密吧?)
第一个代表性工作讲完了,现在讲第二个代表性工作
语义分割你可以在图像上做,然后投射到三维点云上去,也可以直接在三维点云上做,不管怎么做,最后结果就是语义分割好的三维的点云。
SDF就是有向距离场,在物体里面用负值,在物体外面用正值。
直接法的点云质量是比较高的,但是目前还没有很好地用起来
DSO虽然建出了半稠密地图,但是没有实现地图的复用