AlgorithmFormula
MetaSmiles
智能机器人 视觉slam 计算机视觉,软件开发
展开
-
视觉SLAM总结-本质矩阵E分解
基础知识: 实反对称矩阵(real antisymmetric matrix)是一种反对称矩阵,指欧氏空间的反对称变换在标准正交基下的矩阵,即元素aij都是实数,并且aij=-aji(i,j=1,2,…),n的n阶矩阵A=(aij)。实反对称矩阵有如下性质:性质1:奇数阶反对称矩阵的行列式值为0。性质2:当A为n阶实反对称矩阵时,对于有XTAX =0,性...原创 2019-12-18 02:53:31 · 3915 阅读 · 3 评论 -
线性方程组求解
1.矩阵基本知识(1)正交矩阵相乘仍然是正交矩阵 A、B是正交矩阵,那么AA'=E BB'=E (AB)*(AB)'=AB*B'A'=A(BB')A'=AEA'=AA'=E(2)一个矩阵乘以正交矩阵,范数不变 ||Ux||^2=(Ux)^T(Ux)=x^TU^TUx=x^Tx=||x||^2(3)一个矩阵乘以可逆矩阵秩不变...原创 2019-12-17 18:51:07 · 5108 阅读 · 0 评论 -
视觉SLAM总结-前端视觉里程计-直接法
基于直接法的方法总结: SLAM 主要分为视觉前端和优化后端。前端也称为 视觉里程计(VO)。它根据相邻图像的信息,估计出粗略的相机运动,给后端提供较好的初始值。VO 的实现方法,按是否需要提取特征,分为特征点法的前端以及不提特征的直接法前端。尽管特征点法在视觉里程计中占据主流地位,研究者们认识它至少有以下几个缺点:关键点的提取与描述子的计算非常耗时。 使用特征点时,忽略了除...原创 2019-12-12 00:32:42 · 1771 阅读 · 0 评论 -
视觉SLAM总结-前端视觉里程计-特征点法
一、2D-2D相机位姿估计2D-2D相机位姿估计 通常利用对极几何进行计算,是单目SLAM初始化时的关键技术。2D-2D 对极几何 主要涉及到基础矩阵、本质矩阵和单应性矩阵的求解,并从中恢复出旋转矩阵 R和平移向量 t,参考基础矩阵F和本质矩阵E 单应矩阵H计算 ,然后三角化一些点,参考三角形法注意事项:1.使用条件计算基础矩阵或本质矩阵 适用于特征点不共面的情况,...原创 2019-12-12 00:32:36 · 1479 阅读 · 3 评论 -
视觉SLAM总结-李群李代数
目录1.李群和李代数基础 2.指数对数映射关系3.李代数求导与扰动模型在做vSLAM,使用到对旋转矩阵的求导,需要用到李群李代数知识,讲矩阵映射到李代数形式,方便求导,主要包含特殊正交群SO(3),特殊欧几里得群SE(3),表示位姿。旋转矩阵是特殊正交群,而变换矩阵是特殊欧氏群。旋转矩阵自身是带有约束的(正交且行列式为1),她们作为优化变量时,会引入额外的约束...原创 2019-12-12 00:32:25 · 445 阅读 · 0 评论 -
RANSAC鲁棒估计算法
在VSLAM中,我们假定给出的对应集{x-x'},然后去计算相机的运动估计,但是由于噪声的影响,错误的匹配导致很差的估算效果采用2种方法减少这个错误匹配影响,选择那些正确的匹配进行估计(RANSAC)和降低那些错误匹配的权重(鲁棒核函数)两者区别是:RANSAC方法进行模型估计,实际上分了两步,首先选出局内点,然后再进行一步优化。鲁棒核函数只需要一步,直接优化求解模型参数,通过降低外点...原创 2019-12-11 18:49:08 · 2825 阅读 · 1 评论 -
MVG(second)学习笔记- 基础矩阵F和本质矩阵E 单应矩阵H计算
非常感谢Jichao_Peng和.https://zhuanlan.zhihu.com/p/55567702 基础矩阵F和本质矩阵E 单应矩阵H求解 不管是是那种矩阵,在求解方法的分类上大致是都可以分为基于代数误差的线性估计和基于几何误差的非线性估计。在基于代数误差的线性估计中,不管是那种矩阵最后的形式一般都是 ...原创 2019-12-11 18:01:22 · 1710 阅读 · 0 评论 -
MVG(second)学习笔记- 三角形法
三角化,是已经知道相机矩阵和匹配点x-x',求出空间点。线性三角形法推导: 线性三角形法,通常,被估计的点不能准确地满足儿何关系,因而不是一个最优估计. 线性三角形法是直接模仿介绍的 DLT 方法.在每一幅图像上分别有x = PX , x '= P ' X ,且这些方程可以组合成 AX = 0的形式,它是关于 X 的线性方程.首先通过叉乘消去齐次...原创 2019-12-11 18:00:44 · 660 阅读 · 0 评论 -
MVG(second)学习笔记- 对极几何和基础矩阵F,本质矩阵E
本部分总结一下对极几何,对极几何是两幅视图之间的内在的射影几何,它独立于场景结构,只依赖于摄像机的内参和相对姿态。下图简单画出示意图。1.图中基本术语:X-X'为一对匹配点,对应空间点P CC'为基线,C,C'分别为相机中心 e,e'为对极点 I,I'为对极线2.F和E推导采用向量混合集:(https://blog.csdn.net/anpu8252/a...原创 2019-12-11 17:59:49 · 344 阅读 · 0 评论 -
MVG(second)学习笔记- 摄像机模型
摄像机是3D世界到2D图像之间的一种映射。本部分总结一下单目摄像机基本针孔模型和理论推导,畸变:目录1.基本概念2.相机模型3. 畸变模型4.摄像机矩阵P注意:成像平面放于相机主平面前面主要是便于建立数学模型1.基本概念光心:投影中心O为摄像机中心,也成为了光心。主轴:摄像机中心到图像平面的垂线称为摄像机的主轴或主射线。主心:主轴和图像平面的交点为主心...原创 2019-12-11 17:35:52 · 1533 阅读 · 0 评论 -
MVG(second)读书笔记-3D摄影几何和变换
本部分包括3D射影几何和变换,包括点和直线,二次曲线的齐次表示,还有等距变换,相似变换,仿射变换和射影变换等,很多是2D射影几何和变换的直接推广1.点与线点齐次表示:3D空间中一个点的任何齐次矢量的表示形式是: 对应于欧式空间IR2的二维点...原创 2019-12-11 17:34:54 · 321 阅读 · 0 评论 -
MVG(second)读书笔记-2D射影几何和变换
最近刚买到Multiple View Geometry in Computer Vision 计算机中的多视几何,它是三维重建和视觉SLAM的入门基础的经典教材,内容比较丰富,自己看过一遍,挑一些自己的感兴趣总结一下,如有错误,欢迎指出,非常感谢。目录1.点与线2.二次曲线3.变换层次本部分包括2D射影几何和变化,包括点和直线,二次曲线的齐次表示,还有等距变换,相...原创 2019-12-11 17:34:11 · 964 阅读 · 0 评论 -
常用重要的矩阵求导
矩阵求导在SLAM很常见,总结一下(求导)因为同一个求导可以有不同的写法,所以就有了布局约定(layout conventions),分为两种:1)分子布局,numerator layout;2)分母布局 ,这本本博客采用的是分母布局一、矩阵1、梯度(Gradient)2、雅克比矩阵(Jacobian matrix)3、海森矩阵(Hessian...原创 2019-12-04 00:21:34 · 202 阅读 · 0 评论 -
双线性插值(Bilinear Interpolation)
双线性插值(Bilinear Interpolation)本篇主要介绍一下双线性插值的实现方法。1. 线性插值已知坐标 (x0,y0) 与 (x1,y1),要得到 [x0,x1] 区间内某一位置x在直线上的值。由于x值已知,所以可以从公式得到 y 的值已知y求x的过程与以上过程相同,只是x与y要进行交换。2.双线性插值(Bili...原创 2019-03-29 22:01:56 · 902 阅读 · 0 评论 -
扩展卡尔曼滤波EKF与多传感器融合
总结:卡尔曼滤波:https://blog.csdn.net/young_gy/article/details/78177291融合:https://blog.csdn.net/hzwwpgmwy/article/details/80978960https://blog.csdn.net/hzwwpgmwy/article/details/81043292扩展卡尔曼滤波EK...原创 2019-10-02 16:30:45 · 1097 阅读 · 0 评论 -
svd奇异值分解
基础题:证明式(15)中,取y=u4是该问题的最优解,证明:提示设置y’=u4+v,其中v正交于u4,证明该式方法基于奇异值构造矩阵零空间。解://// Created by hyj on 18-11-11.//#include <iostream>#include <vector>#include <ra...原创 2019-07-23 14:30:12 · 558 阅读 · 0 评论