视觉SLAM14精讲——相机与图像3.3

视觉SLAM14精讲

1. 三维空间刚体运动1.0
2. 三维空间刚体运动1.1
3. 三维空间刚体运动1.2
4. 李群与李代数2.1
5. 相机与图像3.1
6. 相机与图像3.2

相机投影流程

至此，有关相机三维刚体变换的所有因素已经汇集。书中对完整的投影过程做了总结。其中主要是将相机投影到世界坐标系。这里我们更进一步，以相机投影到另一个相机为目标，完整推理一遍其中的数学过程，加深对空间的理解。

完整的投影流程如下：
$$p_{2d}^l\underset{K_l}{\overset{K_l^{-1}}{\rightleftharpoons }}\frac{1}{Z^l}{P}_{distorted}^l\underset{distort}{\overset{undistort}{\rightleftharpoons }}\frac{1}{Z^l}{P}_{3d}^l\underset{\frac{1}{Z^l}}{\overset{\times Z^l}{\rightleftharpoons }}{P}_{3d}^l\underset{T^{-1}\cdot }{\overset{T\cdot }{\rightleftharpoons }}{P}_{3d}^r...$$

上式中，左右相机记为上标$l$和$r$。$Z$是该点图像坐标对应的深度值。$K$是内参。$T$是变换， 等价于左乘旋转矩阵加平移矩阵$R\cdot (\cdot )+t$。$p$是2D像素点，$P$是3D点云。

要点:

• 这个式子右侧被省略了。以左乘$T$为对称轴，右侧和左侧是对称的操作，因此这个式子只需要记忆一半。
• 左右的深度值是带下标的，因为左右看到物体的距离不是等价的。
• 左右的内参也分别带下标。 即便左右目是型号一致的两个相机，内参和畸变参数也会不同。
• 如果上式描述了随时间变化位姿的相机，则左右两侧$K$和$D$等价。
• 如果你考虑过这个模型， 你会发现他其实可以是双目相机深度的左右转换。$T$即外参。

当讨论外参的时候，指的就是$T$或成对的$R,t$。一些工程项目中，可能只需要其中一两个参数，但是项目人员仍然将其称为外参。你只需要知道他的本质是外参中的一部分。此外，一定有两个标定的目标出现在讨论话题内， 无论是两个传感器，还是世界坐标系相对一个传感器，外参一定形容的是两个对象之间的空间变换关系。经常有人跟我要外参，而不说明外参所指的另一个对象是什么，让人一头雾水。

双目相机模型

双目相机通过块匹配进行视差估计，然后通过下式计算深度:
$$depth=\frac{focus\ast baseline}{disparity}$$
式中， $dispraity$是视觉计算获得的视差，与彩色图像的分辨率一一对应。OpenCV中有块匹配的具体算法实现，常用的传统算法SGBM。通过构建sgbm对象进行视差的计算。

		cv::StereoSGBM sgbm;  
        sgbm.preFilterCap = 63;  
        int SADWindowSize=11;   
        int cn = 1;  
        sgbm.SADWindowSize = SADWindowSize > 0 ? SADWindowSize : 3;  
        sgbm.P1 = 4*cn*sgbm.SADWindowSize*sgbm.SADWindowSize;  
        sgbm.P2 = 32*cn*sgbm.SADWindowSize*sgbm.SADWindowSize;  
        sgbm.minDisparity = 0;  
        sgbm.numberOfDisparities = 32;  
        sgbm.uniquenessRatio = 10;  
        sgbm.speckleWindowSize = 100;  
        sgbm.speckleRange = 32;  
        sgbm.disp12MaxDiff = 1;  
        sgbm(left , right , left_disp_);  
        sgbm(right, left  , right_disp_); 

该算法对cpu计算量的压力很大，因此建议降采样计算。然而这种方案不能应对纹理缺乏的场景，有厂商，例如intel，会采用红外结构光发射器。通过红外摄像头对缺乏纹理区域的斑点进行匹配，然后生成深度。然后在通过文章开头讲的外参变换过程，将两个红外摄像头产生的深度数据投影到彩色摄像头上。配合彩色摄像头的颜色，此时深度就能够进行立体建模。