【视觉 SLAM】2D-2D:对极几何

本文介绍了视觉SLAM中的2D-2D对极几何概念,详细阐述了如何利用对极几何关系求解相机位姿R和t。通过理论分析,包括相机坐标与像素坐标的转换,以及本质矩阵和基础矩阵的计算。在实践中,通过OpenCV实现特征点提取和匹配,进而求解位姿。示例代码展示了从匹配点计算基础矩阵、本质矩阵和单应矩阵的过程,帮助理解2D-2D方法。
摘要由CSDN通过智能技术生成

本文为视觉 SLAM 学习总结,讲解 2D-2D 对极几何。欢迎交流

理论

现在相机得到了两张图片(通常为初始帧和第二帧),已知两张图片中的像素坐标点和特征点的匹配关系,已知相机内参 K K K,我们需要求解相机位姿 R , t R,t R,t。这里不使用对极几何的方法,仅使用最基础的公式推出结论。

我们分别写出两张图像的像素坐标与相机坐标的关系,这里省略了 z c z_c zc(原因见【4个坐标系变换总结】):
p 1 = K P C 1 p_1=KP_{C1} p1=KPC1

p 2 = K P C 2 p_2=KP_{C2} p2=KPC2

这里我们直接选定世界坐标系为初始的相机坐标系,即第一帧的相机坐标系,则 P C 1 = P W P_{C1}=P_W PC1=PW

则两个图像间相机坐标系的变换为:
P C 2 = R P C 1 + t P_{C2}=RP_{C1}+t PC2=RPC1+t
P C 1 , P C 2 P_{C1},P_{C2} PC1,PC2 代入:
K − 1 p 2 = R K − 1 p 1 + t K^{-1}p_2=RK^{-1}p_1+t K1p2=RK1p1+t
两边同时乘 t ^ \hat{t}

  • 5
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
2D激光SLAM with闭合形状特征:傅里叶系数参数化是一种在2D激光SLAM中使用的闭合形状特征提取方法。傅里叶系数参数化的思想是利用傅里叶级数来描述闭合形状特征的几何形状。 在2D激光SLAM的过程中,激光传感器会扫描周围环境并生成点云数据。对于闭合形状特征,我们可以使用傅里叶系数进行参数化表示。傅里叶系数表示了一个函数在频域上的分解,通过不同的频率分量和相位信息来描述函数的形状。 对于闭合形状特征,比如一个圆或者一个多边形,我们可以通过计算其形状的傅里叶系数来提取特征。首先,我们需要将点云数据进行处理,将其转化为边界点的集合。然后,可以使用离散傅里叶变换(DFT)来计算边界点的傅里叶系数。计算完成后,可以选择保留一部分重要的系数,然后将其转换为特征向量。 利用傅里叶系数参数化的闭合形状特征可以用来定位机器人在环境中的位置。在SLAM的过程中,机器人可以通过激光传感器获取周围环境的点云数据,并提取出闭合形状特征。然后,可以利用特征匹配的方法将当前环境特征与先前保存的特征进行匹配,从而确定机器人在环境中的位置。 总之,2D激光SLAM中的闭合形状特征提取方法傅里叶系数参数化可以帮助机器人在环境中定位自身位置。通过计算并提取闭合形状的傅里叶系数,可以获得环境特征的重要信息,从而实现SLAM的应用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值