vins estimator 5点法

文章目录

对极几何

  • 在第一帧坐标系下,设空间: P = [ x , y , z ] T {P=[x,y,z]^T} P=[x,y,z]T

  • 基于针孔相机,两个像素点的位置 s 1 p 1 = K P s_1 p_1 = KP s1p1=KP s 2 p 2 = K ( R P + t ) s_2 p_2 = K(RP+t) s2p2=K(RP+t)

    • 其中, R , t R,t R,t为两个坐标系的运动
    • 若使用 齐次坐标,则: p 1 = K P p_1 = KP p1=KP 和 p_2 = K(RP+t)$
  • x 1 = K − 1 p 1 x_1 = K^{-1}p_1 x1=K1p1 x 1 = K − 1 p 2 x_1 = K^{-1}p_2 x1=K1p2

    • 则有: x 2 = R x 1 + t {x_2 = Rx_1 + t} x2=Rx1+t
    • 两边同时乘以 t ∧ {t^\wedge} t,有: t ∧ x 2 = t ∧ R x 1 {t^\wedge x_2 = t^\wedge Rx_1} tx2=tRx1
    • 两侧同时乘以 x 2 T x_2^T x2T,有: x 2 T t ∧ x 2 = x 2 T t ∧ R x 1 {x_2^Tt^\wedge x_2 = x_2^T t^\wedge Rx_1} x2Ttx2=x2TtRx1
    • t ∧ x 2 {t^\wedge x_2} tx2是与 t , x 2 t,x_2 t,x2都垂直的向量,则坐标为0,有: x 2 T t ∧ R x 1 = 0 {x_2^T t^\wedge Rx_1=0} x2TtRx1=0
  • 得到: p 2 T K − T t ∧ R K − 1 p 1 = 0 {p_2^T K^{-T} t^\wedge RK^{-1}p_1 =0} p2TKTtRK1p1=0

    • 此式为对极几何约束

    • E = t ∧ R E=t^\wedge R E=tR 为本质矩阵

    • F = K − T E K − 1 {F=K^{-T}EK^{-1}} F=KTEK1 为基础矩阵

    • p 2 T F p 1 = 0 {p_2^T F p_1 =0} p2TFp1=0

  • 由于 E , F E,F E,F只相差了相机内参,而内参通常在slam中是已知的,所以实践当中使用更简单的 E E E

5点法

  • 约束求解:
    • 首先对极几何约束: p 2 T F p = 0 {p_2^T F p =0} p2TFp=0
    • 可在不知道校准矩阵的情况下考虑基本矩阵,此外,若 k 1 , k 2 {k_1,k_2} k1,k2已知,称相机已经校准,再次情况下,假设图像上的点 p , p 2 p,p_2 p,p2已经预乘了,因此对极几何: p 2 T E p = 0 {p_2^T E p =0} p2TEp=0
    • 若把 E E E的9个成员变量完全展开,救护得到一个线性方程,每一个匹配点,可得到一个线性方程,5点法即可得到5个方程。
    • E E E 3 × 3 3 \times 3 3×3 的矩阵,有9个成员变量,只有5个线性方程,故会得到一个线性解空间,这个解空间有4个自由度。
    • 故我们会得到线性解空间: E = x X + y Y + z Z + w W {E=xX+yY+zZ +wW} E=xX+yY+zZ+wW

// Todo

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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