视觉SLAM14讲 第七讲 视觉里程计1

C++代码

特征提取：找出2张图片中相似的点

1. 特征：关键点(例如角点，明暗变化大的点)+描述子(记录的关键点的特征信息，方向，旋转 等)
2. FAST特征点：角点，检测局部像素灰度变化大的地方，FAST-N 半径为3的圆上有16个像素点，计算是否连续N个点亮度大于或小于阈值
3. ORB = ORrented Fast 特征点(像素几何中心到平均亮度中心的连线是方向)+ BRIEF 描述子(二进制，用汉明距离描述差异)
4. 匹配方法：暴力匹配BFM，快速近似最近邻FLANN
5. opencv2/features2d/features2d.hpp KeyPoint Dmatch

2D-2D 对极几何

1. 对极约束：
   $$p_2^T{K}^{-T}{t}^{\wedge }R{K}^{-1}{p}_1=0$$

2. 基础fundamental矩阵
   $$F=K^{-T}{t}^{\wedge }R{K}^{-1}$$

3. 本质essential矩阵,5个自由度，尺度等价性.
   $$E=t^{\wedge }R$$

4. 八点法 ：

   • 用于单目slam初始化
   • SVD分解计算后后4组值，要取深度为正的
   • 纯旋转问题，t为0时E无法分解出R，t ,这时用单应矩阵H求解
   • 多于8对点，超定，用最小二乘解
   • 特征点共面，八点法会退化无法求解，例如无人机的下视

5. 单应矩阵Homography
   适用于特征点共面，例如无人机的下视摄像头。
   $$p_2=K(R-t{n}^T/d)K^{-1}{p}_1$$

$$p_2=H{P}_1$$

$$H=K(R-t{n}^T/d)K^{-1}$$

6. 三角测量
   definition： 一对特征点像素位置射线的空间位置交点 -> 空间位置
   • opencv : triangulation()
   • 当t较小，像素深度的不确定性大
   • 当t较大，特征点又少了，这就是三角化的矛盾

总结

1. 提取特征点
2. 记录特征点信息
3. 匹配特征点
4. 对极约束计算(R,t)
5. 三角测量计算深度