@ 《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
- 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
- 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
- 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
- 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
- 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