视觉SLAM十四讲——第七讲视觉里程计1

@ 《视觉SLAM十四讲》知识点与习题

《视觉SLAM十四讲》第七讲知识点整理+习题

正在学习SLAM相关知识，将一些关键点及时记录下来。

知识点整理

本讲主要关注基于特征点方式的视觉里程计算法，涵盖了特征点提取、匹配，2D-3D， 3D-3D，点云匹配以及利用三角化获得2D图片上对应点的三维结构
特征点法中，将特征点看作是固定在三维空间的不动点，根据它们在相机中的投影位置，通过最小化重投影误差来优化相机运动。因此需要准确的知道空间点在两个相机中投影后的像素位置——所以需要对特征点进行匹配或跟踪

1. 特征点法的前端：前端的目的是如何根据图像来估计相机运动。特征点法的前端运行稳定，对光照、动态物体不敏感，是目前比较成熟的解决方案
2. 视觉SLAM中的路标：指图像特征，可以在不同图像中找到相同的点。希望特征点在相机运动之后保持稳定。理想的情况是，当场景和相机视角发生少量改变时，还能从图像中判断哪些地方是同一个点
3. 人工设计的特征点的性质：可重复性，可区别性，高效率，本地性
4. 特征点：包含关键点和描述子。关键点指该特征在图像里的位置，有时还有朝向、大小等信息；描述子通常是一个向量，描述了该点周围像素的信息。只要两个描述子在向量空间上的距离相近，就可以认为它们是同样的特征点
5. 几种特征：SIFT精确度最高，但是计算量极大，无法在CPU上实时计算。ORB特征ÿ