视觉SLAM14讲 第五章 特征点法视觉里程计

目录

1.特征点提取与匹配

1.1 以ORB为例 oriented fast and brief

2. 2D-2D 对极几何

3. 3D-2D PnP

4. 3D-3D ICP

---

1.特征点提取与匹配

观测模型中利用了每个点的像素坐标，所以首先我们要根据图像的到点的坐标。

在图片中提取特征点，找利于区别的点——角特征点。

特征点在图像中可以由像素坐标来描述，也可能会有大小，方向，评分来评价点。

描述子是用来判断这几个点是不是同一个点的。

二进制描述子 [0 1 01 1 10……] 更倾向于二进制描述子

浮点描述子[0.01,0.35……]

1.1 以ORB为例 oriented fast and brief

通过上述操作，可以得到点的位置，以及一个角度的信息。

同时，除了旋转不变性外，还有平移不变性和尺度不变性，分别描述在相机左右平移以及前进后退过程中的描述子保持一致。

平移一致性一般能够保持。 ORB满足了旋转和平移，没有满足尺度。

SIFT都满足了，但是计算就会比较麻烦。

2. 2D-2D 对极几何

推导如下：

计算在Eigen中是可以实现的。

五点和八点差距不大，所以不用非用少的点去算，哪个简单用哪个，五点算起来比较复杂的。

单目相机的工作模式：

先有一段初始化过程，按照初始化时候选择的尺度，去计算后面的运动轨迹

后面有3D-2D，根据PnP计算后面相机的运动过程，后面的尺度都是使用前面确定的。

由于每一步累计误差，一开始确定尺度为1，但是后面的尺度可能会发生变化，实际变大变小点都有可能，导致地图会变大或者变小，这是不可避免的，这是单目相机本质上只看到投影的结果，这样的现象又被称之为尺度漂移。

存在误匹配，可以通过RANSAC把错误匹配去掉。假设两图中有很多匹配，存在对错。随机选择八对，算出E，R，t，通过这个关系算所有匹配点中满足这一关系的点对有多少，如果很多，就说明是这个匹配是对的，反之，可能是错的，就舍弃掉。这个思路很广泛的使用，在有很大噪声的情况下。很多问题都可以用这个思路解决。

实际中，两种都会试一试，根据环境来决定。

3. 3D-2D PnP

这些算法在opencv中都有，有时候也不用那么关注原理。

这部分没有详细进行推导。

4. 3D-3D ICP

不需要投影了。

5. 三角化与深度估计

要求较大的视差。