基于先验LIDAR点云地图的单目相机定位

最新推荐文章于 2024-04-25 11:16:42 发布
最新推荐文章于 2024-04-25 11:16:42 发布
阅读量657 收藏 3
点赞数 1
分类专栏： 点云PCL与SLAM
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/u013019296/article/details/114272307
版权
点云PCL与SLAM 专栏收录该内容
81 篇文章 586 订阅 ¥9.90 ¥99.00
订阅专栏
该文提出一种基于2D-3D直线对应关系的单目相机定位方法，有效解决视觉里程计的累积漂移问题。通过离线提取LiDAR地图的3D几何线和实时提取图像的2D直线，结合VIO预测进行对应点优化，实现在结构化环境中的准确相机定位。实验表明，这种方法在EuRoC MAV数据集和自采集数据上表现良好，能减少VIO的漂移和位姿跳跃。
摘要由CSDN通过智能技术生成

点云PCL免费知识星球，点云论文速读。

文章：Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences

作者：Huai Yu1;2, Weikun Zhen2, Wen Yang1, Ji Zhang2 and Sebastian Scherer

编译：点云PCL

来源：arXiv 2020

欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。

论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。

摘要

目前，视觉和视觉+惯导的里程计（VO&VIO）技术在状态估计中得到了很好的发展，但在回环闭合时不可避免地会出现累积漂移和位姿跳跃。为了克服这些问题，我们提出了一种基于二维-三维直线对应关系的单目定位方法。为了处理LiDAR点云和图像之间的数据和模型的差异，从LiDAR地图中离线提取三维几何线，从视频序列中实时提取鲁棒二维图像直线。通过VIO的位姿的预测，可以有效地获得可能的

了解本专栏 订阅专栏 解锁全文
点云PCL公众号博客
关注
专栏目录
订阅专栏
论文笔记_S2D.65_基于先验LIDAR点云地图的单目相机定位
惊鸿一博
02-03 929
目录 基本情况 摘要 主要内容 基于单目相机在LIDAR点云地图中定位的流程 A .2D-3D的线提取 B .2D-3D线段的匹配 C .线匹配和位姿的优化 实验 总结 基本情况 文章：Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences 作者：Huai Yu1;2, Weikun Zhen2, Wen Yang1, Ji Zhang2 and Sebastian Sch..
【论文笔记】Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences
qq_46480130的博客
11-10 763
【论文笔记】Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences    ~~~       ~~~~    现有地图中的轻量级相机定位对于基于视觉的导航至关重要。目前，视觉和视觉惯性里程计 (VO&VIO) 技术在状态估计方面得到了很好的发展，但在闭环时
Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences代码编译运行教程
jiny_yang的博客
07-14 1135
2D-3D pose tracking 本文主要是记录一下 <Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences> (IROS 2020)这篇文章的开源代码的编译运行方法。
Monocular Camera Localization in Prior LiDAR Maps with 2D-3DLine Correspondences
最新发布
weixin_45834800的博客
04-25 817
在现有地图中进行轻量级相机定位对于基于视觉的导航至关重要。目前，视觉和视觉惯性测距（VO&VIO）技术在状态估计方面已经很成熟，但在闭环时会产生不可避免的漂移和姿态跳变。为了克服这些问题，我们提出了一种利用直接的2D-3D线对应关系在先前的LiDAR地图中进行高效的单目相机定位方法。为了处理LiDAR点云和图像之间的外观差异和模态差距，我们离线从LiDAR地图中提取了几何3D线，同时在线从视频序列中提取了稳健的2D线。利用VIO的姿态预测，我们可以高效地获得粗略的2D-3D线对应关系。
基于先验激光雷达地图的2D-3D线特征单目定位
人无远虑，必有近忧
10-29 933
对于视觉导航任务，在已知地图在进行轻量化的相机定位是一个有意义的工作。目前视觉里程计（包括VO和VIO）能够较好地完成位姿估计任务，但是无法避免地会发生误差累积，并且在发生回环检测的时候产生位姿跳变。为了解决以上问题，本文提出了一个有效的基于3D-2D线特征联系的单目定位系统，其基于激光雷达所制造出的点云地图。为了解决雷达点云与图像之间的关联，本文在3D雷达点云地图中提取3D线特征，对应在图像中提取2D的线特征，在基于VIO的位姿预测中，可以有效地建立两者之间的初步对应关系，然后通过迭代优化计算来剔除匹
基于先验LiDAR点云地图的单目VIO定位
qq_29462849的博客
08-29 845
Yu H , Zhen W , Yang W , et al. Monocular Camera Localization in Prior LiDAR Maps with 2D-3D L...
点云从入门到精通技术详解100篇-基于激光点云语义的环境感知（续）
getusushu的博客
12-26 916
解耦合的方式，让两个实验既具有一定的独立性，便于维护，又能共享数据集文件的读写；系统中激光雷达成本的另一种方法是使用较低价的激光雷达，虽然会损失一些精确度，但。相机的图像，计算图像间的视差，来预测每一个像素的深度。目标检测、语义分割和同步定位与建图，都可以利用精确的深度值，从而在这些领域中获。模态间的特征交互，晚期融合更关注各个模态内的特征交互，本文采用结合两者的混合融。块将卷积后的深层特征与原始的浅层特征融合，能够让网络学习残差信息，同时解决了随。辆、行人、骑自行车的人等，还有各种程度的遮挡与截断。
基于先验LiDAR点云地图的单目VIO定位（IROS 2020）
3D视觉工坊
08-30 514
Yu H , Zhen W , Yang W , et al. Monocular Camera Localization in Prior LiDAR Maps with 2D-3D L...
OpenCV单目视觉定位（测量）C++代码
08-09
OpenCV单目视觉定位（测量），能检测识别出自定义的物体标签，并计算出自定义物体距离摄像头光心的X,Y方向距离， 用于无人机/机器人视觉定位。
单目摄像头实时视觉定位
11-19
基于视觉信息的移动机器人自定位是机器人自主导航的关键技术之一，其 难点在于如何提高视觉系统的鲁棒性，以适应变化的自然环境，如何从单个摄 像头准确恢复深度信息，以确定机器人自身位姿，以及如何提高算法实时性， 以满足机器人自身运动的快速性和灵活性。本文对该问题进行了深入研究，旨 在构建一个完整的视觉定位系统，使用单个摄像头采集场景图像，并实时计算 相机相对参考路标的三维姿态。
激光点云地图定位论文
https://github.com/heatMa
10-08 3669
自己目前看的有这四篇，正在实现中，实现过程中发现并没有那么简单。 两篇stanford [2007][RSS]Map-Based Precision Vehicle Localization in Urban Environments [2010][ICRA]Robust Vehicle Localization in Urban Environments Using Probabilis...
【论文笔记】Monocular Camera Localization in 3D LiDAR Maps
qq_46480130的博客
11-10 2790
【论文笔记】Monocular Camera Localization in 3D LiDAR Maps    ~~~       ~~~~    在给定地图中定位相机对于基于视觉的导航至关重要。与使用相机获取的地图进行视觉定位的常用方法相比，我们提出了一种新方法，该方法可以跟踪单目相机相对于给定 3D LiDAR 地图的姿态。我们采用基于局部束调整的视觉里程计系统来从
（7）点云数据处理学习——单摄像头深度估计
chencaw的专栏
12-02 1824
dd
ARFoundation系列讲解 - 23 点云
a451319296的博客
10-21 2781
一、什么是点云 AR设备使用摄像机捕获图像中的视觉差异点（如颜色、纹理、灰度），从中挑选出差异较大的点来，这些点被称为特征点，特征点在机器视觉中可以被解析成特定的位置信息。而海量的特征点则构成了点云。 二、显示点云 1.打开Unity新建一个空场景，将场景中默认的“Main Camera”删除掉 2.Hierarchy->XR->AR Session Origin创建AR Session Origin组件 3.Hierarchy->XR-&gt...
OpenCV实战之单目相机标定与三维定位
10-23
相机是产生图像数据的硬件，广泛应用于消费电子、汽车、安防等领域。相机如何实现成像？像素与真实世界中的物体之间是如何联系？这属于相机成像问题，它是图像处理中的经典研究内容，以此为基础衍生出相机标定、图像变换、立体视觉、单目测距等研究领域。 目前火热的自动驾驶领域中，相机标定、基于相机内外参的立体视觉也是其基础入门知识。因此对于图像处理领域的研究人员/工程师，理解并掌握相机的成像原理与相机标定的技能，十分重要。本课程的主要内容为基于OpenCV对单目相机进行标定，同时配合标靶实现三维空间中标靶的定位。通过该系列课程的学习，你将掌握1）相机的成像原理；2）相机内参、外参的定义与作用；3）PC端相机的数据采集与内参标定；4）如何实现单目相机的测距。课程结构如下图所示，课程资料包括PPT、文档、源代码均提供下载学习，源代码下载地址位于第二讲PPT中。 
【论文笔记】视觉重定位 PixLoc || Back to the Feature: Learning Robust Camera Localization from Pixels to Pose
phy12321的博客
10-09 5022
本文提出了基于metric learning 的视觉重定位方法，PixLoc。只需要给定一张查询图像和场景的三维模型，以及具有先验位姿的参考图像，即可进行重定位。这种将模型参数与场景几何分离开来的度量学习方法，使得PixLoc能够轻易的泛化到任意场景中。 视觉定位可以被分为三步： 估计场景中的大致位姿 提取鲁棒不变的特征 回归精确的位姿估计值或者场景坐标估计值 其中步骤1，2不受限于某一特定场景，通过图像检索可以解决1，现有的CNN可以提取鲁棒的特征，解决了2。目前步骤3，即位姿估计是通过经典几何方法完
3D视觉(二)：单目摄像头的标定与校正
Twilight737的博客
12-08 9091
3D视觉(二)：单目摄像头的标定与校正 文章目录3D视觉(二)：单目摄像头的标定与校正1、相机模型一、机器车坐标系到相机坐标系二、相机坐标系到归一化平面坐标系三、归一化平面坐标畸变四、归一化平面坐标系到像素坐标系2、单目摄像头标定3、实验结果4、源码1.引入库2.读入数据总结 相机将三维世界中的坐标点（单位为米）映射到二维图像平面（单位为像素），这个过程可用针孔相机模型和透镜畸变模型来刻画。这两个模型能够把外部的三维点投影到相机内部成像平面，构成相机的内参数。 1、相机模型 假设存在一个机器小车，以小车
基于单目相机的标靶三维定位——编程实现
On my way
04-15 636
实际运行效果如下图所示，可以观察到标靶坐标系X轴向右，Y轴向下，Z轴向里。当标靶向右移动时，计算得到的X变大，反之变小；接下来实现一个完整的功能函数，以摄像头图像和相机内参为输入，不断计算并显示棋盘格标靶所在坐标系原点相对于相机坐标系的三维坐标；上一章内容中我们描述了基于单目相机实现标靶三维定位的原理，关键步骤为1）计算得到相机的内参和畸变系数；3）计算标靶坐标系到相机坐标系的变换矩阵。首先我们实现一个函数，输入为包含棋盘格的图像，相机内参，输出为标靶坐标系相对于相机坐标系的变换信息，具体实现如下。
评论 1
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

打赏作者

点云PCL公众号博客

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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