【读书笔记】《视觉SLAM十四讲(高翔著)》 第7讲

【读书笔记】《视觉SLAM十四讲(高翔著)》 第7讲_第1张图片

文章目录

    • 7.1 特征点法 (P132)
    • 7.2 实践:特征提取和匹配 (P138)
    • 7.4 实践:对极约束求解相机的运动
    • 7.6 实践:三角测量
    • 7.8 实践:求解PNP
    • 7.10 实践:求解ICP
    • 参考网站

7.1 特征点法 (P132)

视觉SLAM→前端(视觉里程计VO)→特征点法(主流)、直接法
→后端

【7.1.1 特征点】
特征点概念的引入:特征点——图像中比较有代表性的点。特征点应该在相机运动之后保持稳定。
目前知名的特征点:SIFT SURF ORB等,这些人工设计的特征点具备如下性质:可重复性,可区别性,高效率,本地性。

特征点的组成:关键点+描述子
关键点:表示特征点在图像中的位置,有些还包含朝向、大小等信息;
描述子:通常是1个向量,描述了关键点周围的像素的信息。外观相似的特征应该有相似的描述子,只要两个特征点的描述子在向量空间上距离很近,就可以认为他们是同样的特征点。

特征点算法在精度和计算速度之间的权衡:SIFT:高精度、但计算量大。FAST:速度快,但是牺牲了精度和健壮性。ORB:质量和性能之间较好的折中。

【7.1.2 ORB特征】
ORB特征也是由关键点和描述子两部分组成。关键点:Oriented FAST,描述子:BRIEF。关键点是用于找出图像中的角点,描述子:对前一步提取出来的特征点的周围图像区域进行描述。

FAST关键点:一种角点,检测局部像素灰度变化明显的地方,以速度快著称。
P134 135 136
检测过程

非极大抑制,在一定区域内保留极大值角点,避免角点集中的问题。

FAST关键点的问题:
①FAST特征点数量大且具备不确定性——选取前N个具有最大响应的角点作为最终的角点集合。
②不具备方向信息——在ORB中添加尺度和旋转的描述作为改良。

BRIEF描述子:是一种二进制描述子,由0 1 组成。 书P136

总结:由于考虑到了旋转和缩放,使得 ORB 在平移、旋转、缩放的变换下仍有良好的表现。同时,FAST 和 BRIEF 的组合也非常的高效,使得 ORB 特征在实时 SLAM 中非常受欢迎。

【7.1.3 特征匹配】
特征匹配:确定当前看到的路标与之前看到的路标之间的对应关系。通俗地讲,就是两张照片寻找对应的点。特征匹配解决了SLAM中的数据关联的问题。
特征匹配的方法:暴力匹配:计算量大,无法满足实时性;相比而言,快速近似最近邻(FLANN)算法更加适合于匹配点极多的情况。
这些匹配算法已经集成到OpenCV。

7.2 实践:特征提取和匹配 (P138)

程序编译运行方法:
在/home/yuanchang/slambook-master/ch7目录下打开终端,
①mkdir build
②cd build

在这里插入图片描述
④make

在这里插入图片描述

7.4 实践:对极约束求解相机的运动

程序编译运行方法:
在这里插入图片描述

7.6 实践:三角测量

程序编译运行方法:
在这里插入图片描述

7.8 实践:求解PNP

程序编译运行方法:
在这里插入图片描述

7.10 实践:求解ICP

程序编译运行方法:
在这里插入图片描述

参考网站

视觉SLAM十四讲-第七讲笔记
《视觉SLAM十四讲》笔记(ch7)

你可能感兴趣的:(SLAM学习笔记)