1、特征点的提取和匹配方法
2、对极几何原理
3、PNP问题
4、ICP问题
5、三角化问题
文章目录
1、特征点法
1.1 特征点
朴素角点可能出现问题:旋转时外观变化,拉近时的变化,
因此利用人工设计特征点
(1)人工设计特征点
- 可重复性,相同区域可在不同图像中找到;
- 可区别性,不同区域不同表达;
- 高效率性,数量精;
- 本地性,特征只和附近小片区域相关;
(2)特征点= 关键点+描述子
- 关键点说明了位置,(可能还有朝向,大小)
- 描述子对周围像素信息进行描述
(3)常见特征点
- SIFT,尺度不变特征变换;考虑了光照,旋转等影响,计算量大;不实时;
- FAST,没有描述子,速度快,精度低;
1.2 ORB特征点
ORB = 改进的fast角点(oriented fast) + 速度快的brief描述子
(1)提取:
- 提取fast角点:orb计算了其方向,为后续描述子增加了旋转不变性;
- 描述子:对周围进行描述。
(2)fast角点:
- 只需要比较像素亮度大小,快;检测出灰度变化明显的地方
(3)改进的fast角点
- 改进1:指定了最终的提取数量。因此对每一个角点进行计算Harris响应值,取n个;
- 改进2:fast不具有方向信息。因此添加了对 尺 度 和 旋 转 \color{red}{尺度和旋转} 尺度和旋转的描述。
- 尺度不变性:通过构建图像金字塔,在每层进行检测实现;
- 旋转不变性:通过灰度质心法实现;
(4) 改进的brief描述子
- brief是一种二进制描述子
(5)特征点的匹配
- 暴力匹配:描述子表示了两个特征点的相似程度,汉明距离代表了不同位数的个数;
- 快速最近邻匹配:
2、特征提取与匹配实践
- 误匹配的筛除
- 使用了工程经验,汉明距离应小于最小汉明距离的两倍
3、2D-2D对极几何原理
3.1 引言
1、两个单目图像,对极几何原理
2、两个rgbd图像,icp
3、帧和地图匹配,pnp
3.2 问题定义
3.3 求解:对极几何约束给出了匹配点的空间位置关系
3.4 问题化简为两个步骤
(1)通过匹配点的像素位置可以由约束求出本质矩阵E或者基础矩阵F,因内参已知,一般使用E
(2)根据EF求出R,T
3.5 求解第一步骤:E
(1)E的性质。
- 将E认为是普通矩阵,利用8点法在线性方程框架下求解。
- 则可以求出E 。
3.6 求解第二步骤:E求出R,T
3.7 步骤一中八点法的问题及单应矩阵(贺一家)
(1) 八 点 法 的 讨 论 P 152 \color{red}{八点法的讨论P152} 八点法的讨论P152
- 用于单目SLAM初始化
- 尺度不确定性:归一化t或特征点的平均深度
- 纯旋转问题:t=0时无法求解
- 多于八对点时:最小二乘
- 有外点时:ransac
(2)单应矩阵引出
- 单应矩阵描述两个平面之间的映射关系。
- 即当场景特征点落在同一平面上,地面、墙等,可以通过单应性运动估计。
- 共 面 或 纯 旋 转 时 , 自 由 度 下 降 , 也 就 是 退 化 \color{red}{共面或纯旋转时,自由度下降,也就是退化} 共面或纯旋转时,自由度下降,也就是退化
- 现实中的数据总包含一些噪声,使用八点法求解基础矩阵,基础矩阵多余出来的自由度将会主要由噪声决定。
- 为了能够避免退化现象造成的影响,通常我们会同时估计基础矩阵 F 和单应矩阵H,选择重投影误差比较小的那个作为最终的运动估计矩阵。
4、三角测量(了解)
具有不确定性,要用到深度滤波器,13讲
5、3D-2D:PNP(初始化后的单目/双目/rgbd)
已知3D空间位置和相机上的投影点,求相机的旋转和平移
5.1 pnp问题
-
代数解法(线性)
DLT、P3P、EPnP、UPnP
对噪声不鲁棒 -
优化解法(非线性)
构建最小二乘问题,BA优化
运动连续时
5.2 DLT直接线性变换
- 将矩阵R,T视作普通矩阵,没有考虑其内在来呢西,如R的约束等。
- DLT将R,t看成独立的未知量,所以在求出结果后,需要将t组成的矩阵投影回SO(3)(通常用QR分解实现)
5.3 P3P方法
- 利用几何关系,三角形相似性质,将问题转化为了3D-3D,简单。
- 缺点:
只用了3个匹配点,对于匹配点多的造成浪费;
如果存在误匹配,影响较大 - SLAM中,通常先使用P3P\EPnP估计相机位姿,在构造最小二乘问题做BA。
5.4 非线性优化求解PnP问题:BA
5.5 实践g2o建模BA
定义误差计算方法等
6、3D-3D:ICP
已知 一 组 配 对 好 \color{red}{一组配对好} 一组配对好的3D点,求解ICP问题,ICP问题的解法两大类:
(1)线性代数解法SVD
(2)非线性解法BA
6.1 构建最小二乘问题
- 因此,问题转化为三个步骤解决:
- 注 意 匹 配 是 已 知 的 \color{red}{注意匹配是已知的} 注意匹配是已知的,
- svm和优化一样,可以得到准确结果,且收敛很快,没必要使用优化方式。
- 匹配点未知的情况下则不一定极小值是最小值。
6.2 实践:求解icp
- svd方法
- 优化方法:没有提供3d-3d的边的定义,需要自定义
终:笔记