如果想透彻的理解这些东西,可以阅读它提供的每节课的代码,应该就可以完全掌握
第一节
第二节
第三节
第四节 特征点检测和匹配
第五节 相机模型和对极几何
slam中的对极几何约束,从表面上看如果E和F已知,再知道
和
或者
和
中的一个点,就可以根据这个约束求出另一个点,再进一步在双目视觉匹配中,RT是已知的,按照这个理论,左目图像中的任何一点都可以轻松算出右图像中对应的点。事实是个错觉,因为从公式的定义上看也知道对极几何约束,该公式只能在存在点对情况下,求E和F,反过来,知道E和F或者RT和其中一点求另一点是行不通的,因为真正推到一遍会发现,该等式在双目视觉中和横坐标x无关,也就是对于任何的x该等式都成立,只是对y有约束。对于slam前后帧的话,我想有类似的结论。
由本征矩阵恢复相机的姿态(R,T)四种情况没懂
第6节 双视角 SFM
- 三角测量的意思就是在已知RT的情况下,并且知道前后帧的点的对应关系,求出点的深度信息,类似在双目视觉中,知道基线,知道匹配点,求该点的三维坐标。
- BA优化的参数是初始三维点和RT矩阵
QR分解没懂,BA算法要透彻的理解可以读一下提供的代码,里面有雅克比矩阵的构造,每个技术都懂,但好像怎么得到最后的结果不懂,也就是pipeline不懂,需要再查些资料吧
第7节 增量 SFM
bunder: http://www.cs.cornell.edu/~snavely/bundler/
VisualSFM: http://ccwu.me/vsfm/
Theia: http://www.theia-sfm.org/sfm.html
Colmap: https://demuc.de/colmap