本文探讨了对极几何、PnP（Pose from N Points）和ICP（Iterative Closest Point）在SLAM（Simultaneous Localization And Mapping）中的角色。对极几何常用于三角测量，PnP用于3D-2D匹配的相机姿态估计，而ICP则用于点云配准。这些方法为BA（Bundle Adjustment）提供初值，BA是非线性优化解算相机观测方程的重要手段，可应用于前端和后端的优化。PnP和ICP有时也会借助BA的技术来提升精度。
一．基本概念
注意这里的BA 指的就是目标函数中的f函数为普通相机的观测方程的非线性优化解算方法，所以本文中BA与非线性优化同概念．
对极几何，PnP，ICP 一般都只用于前端，为BA提供初值（这里的BA可能是前端也可能是后端），但是PnP和ICP都可能会用到BA的方法．
BA在前端后端都会用到，前后端也就是所谓的范围的问题，前端可能只在相邻几帧进行BA操作，后端的范围就要大的多
二．对极几何+三角测量
一般使用八点法计算本质矩阵Ｅ．然后通过SVD分解出相机的运动R和t.
获得了相机运动，之后再求解三维点的坐标（三角测量）．注意和BA的边缘化是不同的啊．
和ransac的关系：要计算基础矩阵至少需要8 个点（使用8 点算法）。点越多越好，可以使用RANSAC 算法得到更加稳定的结果。
ransac（百度百科）：RANSAC为Random Sample Consensus的缩写，它是根据一组包含异常数据的样本数据集，计
最低0.47元/天 解锁文章
983
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
