学习记录-视觉SLAM十四讲第2版（九）

---

前言

系统环境：ubuntu20.04
鸽了好久的视觉SLAM十四讲的第7讲好歹是发出来了，这一节真的好长，而且说实话好难，第一遍看完还是有些晕，估计得后面自己真的用上了，再好好体会感悟一遍。

---

一、实践部分

其他使用imshow展示的图片截图太麻烦了，就不展示了。

1.orb_cv项目

这里值得注意的是描述子之间的距离是有上下限的，尤其是会设置一个下限经验值30。

2.orb_self项目

3.pose_estimation_2d2d项目

4.triangulation项目

5.pose_estimation_3d2d项目

6.pose_estimation_3d3d项目

二、第7讲的普通习题

1.其他特征点

常见的特征点还有FAST特征点、SIFT特征点。SIFT和SURF的原理如下：
SIFT（尺度不变特征变换）:Sift是一种基于尺度空间的，对图像缩放、旋转、甚至仿射变换保持不变性的图像局部特征描述算子。分为特征点提取、特征点描述和特征点匹配三个步骤。
SURF（加速稳健特征）:Surf是对David Lowe在1999年提出的Sift算法的改进，提升了算法的执行效率，为算法在实时计算机视觉系统中应用提供了可能。SURF在两个地方进行了改进，一个是积分图在Hessian（黑塞矩阵）上的使用，一个是降维的特征描述子的使用。
三种之间的比较：
计算速度：ORB>>SURF>>SIFT（各差一个量级）
旋转鲁棒性：SURF>ORB~SIFT（表示差不多）
模糊鲁棒性：SURF>ORB~SIFT
尺度变换鲁棒性：SURF>SIFT>ORB（ORB并不具备尺度变换性）
参考资料：
1、图像特征点
2、3种特征点的比较
3、Surf算法特征点检测与匹配

2.统计提取1000个特征点的耗时

我这边看了opencv的一些介绍，使用了BRISK，一开始还担心不知道特征点够不够1000个，因此把数量输出来看了一下。

Ptr<FeatureDetector> detector =  BRISK::create();
Ptr<DescriptorExtractor> descriptor = BRISK::create();

参考资料：相关函数的介绍

4.其他加速匹配的方式

FLANN算法主要内嵌了随机k-d树算法、优先搜索k-means树算法、层次聚类树这三种算法，并且对这些分类匹配算法都进行了优化，因此能够加速匹配。此外除了这个方法还可以通过GPU进行加速。
参考资料：FLANN算法说明

5.其他PnP方法

打开了这个函数的详细解释，发现其默认的参数是SOLVEPNP_ITERATIVE也就是使用列文伯格马夸尔特法迭代求解。这里让我们换其他方法进行求解。

可以发现除了SOLVEPNP_ITERATIVE这个方法可以选之外还有SOLVEPNP_EPNP、SOLVEPNP_P3P 、SOLVEPNP_DLS、SOLVEPNP_UPNP、SOLVEPNP_AP3P、SOLVEPNP_IPPE、SOLVEPNP_IPPE_SQUARE、SOLVEPNP_SQPNP一共八个。

对比了一下上面，发现比原本默认的那个迭代方法还要慢。。。
EPNP：是将所有的3D点都转化为用四个非共面的点进行表示，后面对这四个点进行优化，因此比较高效。
参考资料：Epnp

6.在PnP中考虑第一个相机的观测

待补充，一遇到改代码的题，头就疼，看了半天还是没有多大理解。

7.在ICP中考虑空间点的优化

待补充，一遇到改代码的题，头就疼，看了半天还是没有多大理解。

---

总结

本文对7.2，7.4，7.6，7.8，7.10等小节的实践部分进行验证，同时对第7讲部分普通习题作了总结，欠了2道实在抱歉，后面会修改的。