建图（SLAM十四讲ch13）

单目稠密重建

立体视觉

单目相机通过移动相机之后进行三角化测量像素的距离。---->移动视角的立体视觉

双目相机利用左右目的视察计算像素距离

RGB-D直接获得像素距离

 

单目的稠密估计（估计每个像素的深度）

——>根据视频序列估计图像深度

 对图像提取特征，根据描述子计算特征之间匹配。

通过不同视角下的观测估计特征点的深度（三角测量）

——>稠密深度图估计

无法把每个像素都当做特征点计算描述子，因此需要匹配

——>匹配

极线搜索与块匹配技术

• ——>极线搜索

在特征点法中，通过特征匹配得到p2的位置，然而现在没有描述子，只能在极线上搜索和p1想的比较相似的点。（可能沿着极线一直走比较每个像素与p1的相似程度。）

• ——>块匹配

单个像素亮度没有区分性》在p1周围取像素块提高区分性

• ——>计算像素块之间的差异：SAD（Sum of Absolute Different）、SSD(Sum of Squared Distance)、NCC(Normalized Cross Correlation，归一化互相关)

深度滤波器技术（高斯分布）

得到的匹配值有多个峰值，但是只是的对应点只有一个。使用概率分布来描述深度值，而非使用单一的数值来描述深度。

问题转为在不断对不同图像进行极线搜索时，我们估计的深度分布将发生怎样的变化，这就是深度滤波器。

稠密深度的整过程

1.假设所有像素的深度满足某个初始的高斯分布

2.当新数据产生时，通过极线搜索和块匹配确定投影点位置

3.根据几何关系计算三角化后的深度及不确定性

4.将当前观测融合进上一次的估计中。若收敛则停止计算，否则返回第二步。

实践

test_data中包括以下内容

image中有200幅无人机俯视图像，TXT文件中为每幅图像的位姿。

./build/dense_mapping test_data

loop 24

loop 40

最后深度图趋于稳定

像素梯度

逆深度

 

RGB-D稠密建图

拼接点云地图（Point_Cloud Map）

三角网格（Mesh），面片（Surfel）

通过体素（Voxel）建立占据网格地图（Occupancy Map）

SFM 泊松重建

八叉树地图（Octo-Map）

将三维空间建模为很多小方块（体素），每个面切成两片分割为8块。一直重复达到建模的最高精度。

实践（参考第5章PCL拼接点云    ./build/joinMap  ）

octovis octomap.bt

分辨率0.05米

分辨率0.1米