注:该博客是在学习过程中 对知识点的整理 以方便日后查阅
**
本篇小结
**
2个单目相机图像—— 2D-2D间关系 ——对极几何
帧和地图 —— 3D-2D间 —— Pnp
RGB和地图 —— 3D-3D间 —— ICP
一)特征点提取
特征点要求:
可重复性 可区别性 高效(时间快) 本地
特征点信息:
关键点: 位置 大小 方向 评分等
描述子: 特征点周围图像信息
ORB特征点
关键点:Oriented FAST(连续n个点亮度比中间点大或小m 则认为是特征点, 在FAST的基础上计算旋转角度 )
描述:BRIEF(二进制描述子)
特征匹配:汉明距离
2D—2D对极几何:实际中用于单目SLAM初始化
s1 和s2分别是实物点P到相机中心的垂直距离Z。
x 是未知P
対极约束的本质是:O1,O2和P三点共面
t^:t的反对称矩阵,也是叉乘的意思;t垂直x2(???)
E :3*3矩阵 ,9个变量,可任意乘常数 所以有8个未知数(普通矩阵)
t^R:5自由度
八点法: E乘以任意非零常数后,対极约束依然满足。
p1=(u1,v1,1)^T; p2= (u2,v2,1)^T
x1 = (u1,v1,1)^T; x2 = (u2,v2,1)^T 可看做归一化(像素坐标)
从E计算R,t
(1)满足
八点法适用:
单目一开始初始化会确定尺度问题
当特征点在某平面时(仰视或俯视情况) 会有平面的约束:
**
3D—2DPnP:
DLT方法
已知空间点P和投影点x ;未知:旋转矩阵R和平移矩阵t;
PnP方法解决:(R,t未知)在优化过程中提供重要的梯度方向,指导优化的迭代
求导这的公式不是很明白
**
3D—3D ICP(Iterative Closest Point)(迭代最近点):
有一组匹配好的3D点(比如两幅RGB-D图像匹配)求R,t
ICP求解也分两种形式:线性代数求解(SVD);非线性优化方式(Bundle Adjustment)
三角化与深度估计:一致运动求解特征点的3D位置