slam中特征点归一化原因以及方法

 

简述

在计算H 或者 F矩阵的时候需要对特征点进行坐标变换，称之为归一化。

 

---

 

原因

前辈发现计算单应矩阵时变换特征点的坐标会得到更好的效果，包括坐标的平移和尺度缩放，并且这一步骤必须放在DLT之前。DLT之后再还原到原坐标系。

书本指出归一化与条件数确切的说是DTL矩阵A的第一个和倒数第二个奇异值的比例有关。有充分证据表明在精确数据和无限精度的算术运算条件下，归一化并不起作用，但是有噪声存在时解将偏离其正确结果。

 

个人推测：类似于机器学习中需要对数据进行归一化，减少数据因为尺度变化过大异常值等的原因影响结果。

---

 

步骤

1.将点进行平移使其形心（x,y的均值）位于原点。

2.对点进行缩放使特征点到原点的距离为根号2，即所有点“平均”位于（1，1,1）

3.对两幅图进行独立的上述变换

 

参考自《计算机视觉中的多视图几何》  3.4.4

 

---

 

代码实现 from ORBslam2