SLAM从入门到放弃：SLAM十四讲第五章习题（3-6）

以下均为简单笔记，如有错误，请多多指教。

3. 搜索特殊相机（鱼眼或全景相机）的标定方法。它们与普通的针孔模型有何不同？
   解： 目前比较常用的鱼眼或全景相机的标定工具有opencv，OcamCalib(https://github.com/urbste/ImprovedOcamCalib)，SWARD等等非常多的工具。通常而言其标定思路与常规相机并没有太大区别，首先采集一系列棋盘格的影像，然后使用手动或者自动提取出所有的棋盘角点，并在其基础上进行畸变参数的求解。但是区别在于，鱼眼或全景通常会采用更加复杂的畸变模型，最常用的就是一个多线性畸变公式，如下式所示（OpenCV中的示例）：
   $${\theta }_d=\theta (1+k_1{\theta }^2+k_2{\theta }^4+k_3{\theta }^6+k_4{\theta }^8)$$。
   其主要原因是此类相机通常并不符合针孔模型，其成像过程可以用下图展示，可以发现其成像过程是一个球面折射过程。
   
   

4. 调研全局快门相机和卷帘快门相机的异同。它们在SLAM中有何优缺点？
   答： 参考资料：https://www.oxinst.com/learning/view/article/rolling-and-global-shutter。
   下图展示了全局相机和卷帘快门相机成像方式的区别，全局相机是一次成像，所有的像素同时停止曝光；而卷帘相机是逐行成像，不同的像素停止曝光的时间不同。
   
   因此当出现高速运动后，卷帘相机会出现明显的“果冻效应”，如左图所示。右图展示的全局相机的拍摄结果，可以发现虽然仍然出现了模糊问题，但是并没有出现果冻问题。
   
   至于他们在SLAM中的优缺点，我感觉目前的大趋势是使用全局快门相机，因为其明显更精确，但是其缺点可能是相对而言比较贵吧~
   

5. RGB-D相机是如何标定的？以Kinect为例，需要标定那些参数？（参照 https://github.com/code-iai/iai_kinect2）
   答： 本人对Kinect不是很熟悉，所以一下答案都是参考iai_kinect2得到，其标定过程与普通相机似乎差异也不是特别大，只是需要同时标定RGB相机和红外相机，需要标定的参数有RGB的内参数，红外相机的内参数，RGB相机和红外相机之间的变化关系，红外相机的深度信息校正。
   因此其标定过程通常如下：首先采集一系列RGB影像，然后标定内参数；然后采集一系列红外影像，标定内参数；接下来同时采集RGB影像和红外影像，标定两个相机之间的外参数，并同时对红外相机的深度信息进行校正。
   值得注意的是，iai_kinect2标定要求采集数据时标定板和相机都处于静止静止状态，从而避免运动对标定结果的影响，因此相机和标定板都最好放在一个固定架上。另外则是相机最好能够从多个角度、多个深度采集数据数据。
   

6. 除了示例程序演示的遍历图像方式，你还能举出哪些遍历图像的方法？
   答：OpenCV中常用的遍历图像的方法主要有三中，包括基于at，ptr和迭代器的方法，本人的实验结果是是ptr的效果最佳。

#include 
#include 

#include 

int main()
{
	// Mat
	cv::Mat image = cv::Mat::zeros(1000, 1000, CV_8UC3);

	// By at
	clock_t atBegin = clock();
	for (int y = 0; y < image.rows; y++)
	{
		for (int x = 0; x < image.cols; x++)
		{
			image.at(x, y) = cv::Vec3b(100, 100, 100);
		}
	}
	clock_t atFinish = clock();
	std::cout << "Time: " << (atFinish - atBegin)*1.0 / CLOCKS_PER_SEC << std::endl;

	// By ptr
	clock_t ptrBegin = clock();
	for (int y = 0; y < image.rows; y++)
	{
		for (int x = 0; x < image.cols; x++)
		{
			image.ptr(y)[x]= cv::Vec3b(100, 100, 100);
		}
	}
	clock_t ptrFinish = clock();
	std::cout << "Time: " << (ptrFinish - ptrBegin)*1.0 / CLOCKS_PER_SEC << std::endl;

	// By Iterator
	clock_t iteratorBegin = clock();
	cv::Mat_::iterator begin = image.begin();
	cv::Mat_::iterator end = image.end();
	for (; begin != end; begin++)
	{
		(*begin) = cv::Vec3b(100, 100, 100);
	}
	clock_t iteratorFinish = clock();
	std::cout << "Time: " << (iteratorFinish - iteratorBegin)*1.0 / CLOCKS_PER_SEC << std::endl;

	return 0;
}