讲解关于slam一系列文章汇总链接:史上最全slam从零开始,针对于本栏目讲解的(01)ORB-SLAM2源码无死角解析链接如下(本文内容来自计算机视觉life ORB-SLAM2 课程课件):
(01)ORB-SLAM2源码无死角解析-(00)目录_最新无死角讲解:https://blog.csdn.net/weixin_43013761/article/details/123092196
文末正下方中心提供了本人 联系方式, 点击本人照片即可显示 W X → 官方认证 {\color{blue}{文末正下方中心}提供了本人 \color{red} 联系方式,\color{blue}点击本人照片即可显示WX→官方认证} 文末正下方中心提供了本人联系方式,点击本人照片即可显示WX→官方认证
通过前面的文章,知道了如何求解Homography 以及 Fundamental 矩阵。但是这是几个中间过程而已,求解 Homography 以及 Fundamental 是为了进一步求解旋转矩阵 R R R 以及偏移矩阵 t t t, 通过 Homography 求解 R t Rt Rt 主要有以下两个方式:
F a u g e r a s S V D − b a s e d d e c o m p o s i t i o n \color{blue}Faugeras SVD-based decomposition FaugerasSVD−baseddecomposition:Motion and Structure from Motion in a Piecewise Planar Environment
Z h a n g S V D − b a s e d d e c o m p o s i t i o n \color{blue} Zhang SVD-based decomposition ZhangSVD−baseddecomposition:D Reconstruction Based on Homography Mapping
该篇博客主要讲解上面之中的 Faugeras SVD-based decomposition。在进行详细讲解之前,大家需要了解以下相机成像的原理,这里简单给个图示,不再进行详细的讲解
根据两帧图像恢复相机 R t Rt Rt 的方式有很多种,比如前面说到本质矩阵,基本矩阵,以及该博客讲解的单应矩阵,这么多的方式中,选用那种才是最合适的呢? 我们先来说一下 Homography:
1、两帧图像中的特征点共面(下左图所示)
2、相机发生纯旋转,即偏移矩阵t=0(下右图所示)
以上两种情况就适合从单应矩阵 Homography 进行求解。具体缘由在接下来的第二篇博客中有具体的介绍。
首先设三维空间的一个点 X \mathbf{X} X, 以及该点再图像平面的坐标为 x \mathbf x x(假设焦距 f 为1),如下:
X = ( X Y Z ) T x = ( x y 1 ) T (1) \tag{1} \color{blue} \mathbf{X}=\left(\begin{array}{lll} X & Y & Z \end{array}\right)^{T}~~~~~~~~~~~~~~~~~~~~~~~~~\mathbf{x}=\left(\begin{array}{lll} x & y & 1 \end{array}\right)^{T} X=(XYZ)T x=(xy1)T(1) 那么根据相机的成像原理(可以参考图一),其存在如下关系: X x = Y y = Z (2) \tag{2} \color{blue} \frac{X}{x}=\frac{Y}{y}=Z xX=yY=Z(2) 令第一个相机坐标为世界坐标 \color{red}令第一个相机坐标为世界坐标 令第一个相机坐标为世界坐标,设相机投影模型(E表示单位矩阵,R|T表示把旋转矩阵与偏移矩阵按列拼接起来)
P 1 = K 1 [ E ∣ 0 ] P 2 = K 2 [ R ∣ t ] (3) \tag{3} \color{blue} P_1=K_1[E|0]~~~~~~~~~~~~P_2=K_2[R|t] P1=K1[E∣0] P2=K2[R∣t](3)设3D点所在的世界平面方程方程,与法向量 n \mathbf n n 如下(单位向量),其中的 d d d 表示坐标系原点到平面的距离, 平面方程: a X + b Y + c Z = d \color{blue} 平面方程:~~~~~a X+b Y+c Z=d 平面方程: aX+bY+cZ=d 法向量: n = ( a b c ) T \color{blue} 法向量:\mathbf n = \left(\begin{array}{lll} a & b & c \end{array}\right)^{T} 法向量:n=(abc)T 根据以上两个式子 : n T X = d \color{blue} 根据以上两个式子:~~~~~~\mathbf {n}^T \mathbf{X}=d 根据以上两个式子: nTX=d那么带入平面上的点 X \mathbf{X} X ,其平面方程可以是表示为: 1 d n T X = 1 (4) \tag{4} \color{blue} \frac{1}{d} \mathbf{n}^{T} \mathbf{X}=1 d1nTX=1(4)那么我们设平面上的点 X 1 \mathbf{X_1} X1满足上式(4)(以第一个相机坐标为世界坐标),也就是:
1 = 1 d n T X 1 (5) \tag{5} \color{blue} 1 = \frac{1}{d} \mathbf{n}^{T} \mathbf{X_1} 1=d1nTX1(5)对于两个相机坐标系点的关系 如下: X 2 = R X 1 + t (6) \tag{6} \color{blue} \mathbf{X}_{2}=R \mathbf{X}_{1}+\mathbf{t} X2=RX1+t(6)那么我们把(5)式乘到(6)式的 t \mathbf t t 后面,可以得到如下: X 2 = ( R + 1 d t n T ) X 1 (7) \tag{7} \color{blue} \mathbf{X}_{2}=\left(R+\frac{1}{d} \mathbf{t n}^{T}\right) \mathbf{X}_{1} X2=(R+d1tnT)X1(7)根据单应性变换,对图像齐次坐标 x = ( x y 1 ) T \mathbf{x}=\left(\begin{array}{lll}x & y & 1\end{array}\right)^{T} x=(xy1)T和齐次单应矩阵 H H H 那么两个图像的坐标满足 s x 2 = H x 1 s\mathbf x_2=H\mathbf x_1 sx2=Hx1 ,这里的 s s s 可以理解为缩放,根据相机投影模型: x 1 = K 1 X 1 x 2 = K 2 X 2 (8) \tag{8} \color{blue} \mathbf{x}_{1}=K_{1} \mathbf{X}_{1}~~~~~~~~~~~\mathbf{x}_{2}=K_{2} \mathbf{X}_{2} x1=K1X1 x2=K2X2(8)我们可以推导出 X 2 = K 2 − 1 H K 1 X 1 (9) \tag{9} \color{blue} \mathbf{X}_{2}=K_{2}^{-1} H K_{1} \mathbf{X}_{1} X2=K2−1HK1X1(9)
根据 (7), (9) 我们可以得到(如果是同一个相机,这里的 K 1 = K 2 \mathbf K_1=\mathbf K_2 K1=K2) A = d R + t n T = d K 2 − 1 H K 1 (10) \tag{10} \color{blue} A=dR+\mathbf{t n}^{T}=dK_{2}^{-1} H K_{1} A=dR+tnT=dK2−1HK1(10)上面的公式我们可以求得 H H H 矩阵与 R t Rt Rt 的对应关系(略过),对 A A A 进行奇异值分解,如下 A = U Λ V T Λ = diag ( d 1 , d 2 , d 3 ) (11) \tag{11} \color{blue} A=U \Lambda V^{T}~~~~~~~~~\Lambda=\operatorname{diag}\left(d_{1}, d_{2}, d_{3}\right) A=UΛVT Λ=diag(d1,d2,d3)(11)另外由于 U , V U,V U,V 满足 ( 其中 U T U = V T V = E ) \left(其中 U^{T} U=V^{T} V=E\right) (其中UTU=VTV=E),可以得到: Λ = U T A V = d U T R V + ( U T t ) ( V T n ) T (12) \tag{12} \color{blue} \Lambda=U^{T} A V=d U^{T} R V+\left(U^{T} \mathbf{t}\right)\left(V^{T} \mathbf{n}\right)^{T} Λ=UTAV=dUTRV+(UTt)(VTn)T(12) U , V U,V U,V为正交矩阵,也就是说其行列式为 ± 1 \pm 1 ±1,即 s = det ( U ) = det ( V ) s=\operatorname{det}(U)= \operatorname{det}(V) s=det(U)=det(V), 且 s 2 = 1 s^2=1 s2=1, 令: { R ′ = s U T R V t ′ = U T t n ′ = V T n d ′ = s d s = det ( U ) det ( V ) ⟹ Λ = [ d 1 0 0 0 d 2 0 0 0 d 3 ] = d ′ R ′ + t ′ n ′ T (13) \tag{13} \color{blue} \left\{\begin{array}{l} R^{\prime}=s U^{T} R V \\ \mathbf{t}^{\prime}=U^{T} \mathbf{t} \\ \mathbf{n}^{\prime}=V^{T} \mathbf{n} \\ d^{\prime}=s d \\ s=\operatorname{det}(U) \operatorname{det}(V) \end{array}\right. \Longrightarrow~~~~~~~~~~~ \Lambda=\left[\begin{array}{ccc} d_{1} & 0 & 0 \\ 0 & d_{2} & 0 \\ 0 & 0 & d_{3} \end{array}\right]=d^{\prime} R^{\prime}+\mathbf t^{\prime} \mathbf{n}^{\prime T} ⎩ ⎨ ⎧R′=sUTRVt′=UTtn′=VTnd′=sds=det(U)det(V)⟹ Λ=⎣ ⎡d1000d2000d3⎦ ⎤=d′R′+t′n′T(13) 其上 V T V_T VT 是行列式为 ± 1 \pm 1 ±1 的正交矩阵,那么其也是一个旋转矩阵(可以参考该片博客末尾史上最简SLAM零基础解读(1) - 旋转平移矩阵→欧式变换推导),该矩阵作用于单位法向量 n n n,也就是对齐进行旋转,也就是说 n ′ n' n′ 也是单位向量。取基底 e 1 = ( 1 , 0 , 0 ) T , e 1 = ( 1 , 0 , 0 ) T , e 1 = ( 1 , 0 , 0 ) T \mathbf e_1=(1,0,0)^T,\mathbf e_1=(1,0,0)^T,\mathbf e_1=(1,0,0)^T e1=(1,0,0)T,e1=(1,0,0)T,e1=(1,0,0)T ,设单位向量 n ′ = ( x 1 , x 2 , x 3 ) T \mathbf n'=(x_1, x_2, x_3)^T n′=(x1,x2,x3)T, 则 n ′ e = ( x 1 e 1 + x 2 e 2 + x 3 e 3 ) \mathbf n'\mathbf e=(x_{1} \mathbf{e}_{1}+x_{2} \mathbf{e}_{2}+x_{3} \mathbf{e}_{3}) n′e=(x1e1+x2e2+x3e3) 根据式子 (13) 可以得到: [ d 1 e 1 d 2 e 2 d 3 e 3 ] = [ d ′ R ′ e 1 d ′ R ′ e 2 d ′ R ′ e 3 ] + [ t ′ x 1 e 1 t ′ x 2 e 2 t ′ x 3 e 3 ] (14) \tag{14} \color{blue} \left[\begin{array}{lll} d_{1} \mathbf{e}_{1} & d_{2} \mathbf{e}_{2} & d_{3} \mathbf{e}_{3} \end{array}\right]=\left[\begin{array}{llll} d^{\prime} R^{\prime} \mathbf{e}_{1} & d^{\prime} R^{\prime} \mathbf{e}_{2} & d^{\prime} R^{\prime} \mathbf{e}_{3} \end{array}\right]+\left[\begin{array}{lll} \mathbf{t}^{\prime} x_{1} \mathbf e_1 & \mathbf{t}^{\prime} x_{2} \mathbf e_2 & \mathbf{t}^{\prime} x_{3} \mathbf e_3 \end{array}\right] [d1e1d2e2d3e3]=[d′R′e1d′R′e2d′R′e3]+[t′x1e1t′x2e2t′x3e3](14) [ d 1 e 1 d 2 e 2 d 3 e 3 ] = [ d ′ R ′ e 1 d ′ R ′ e 2 d ′ R ′ e 3 ] + [ t ′ x 1 t ′ x 2 t ′ x 3 ] (15) \tag{15} \color{blue} \left[\begin{array}{lll} d_{1} \mathbf{e}_{1} & d_{2} \mathbf{e}_{2} & d_{3} \mathbf{e}_{3} \end{array}\right]=\left[\begin{array}{llll} d^{\prime} R^{\prime} \mathbf{e}_{1} & d^{\prime} R^{\prime} \mathbf{e}_{2} & d^{\prime} R^{\prime} \mathbf{e}_{3} \end{array}\right]+\left[\begin{array}{lll} \mathbf{t}^{\prime} x_{1} & \mathbf{t}^{\prime} x_{2} & \mathbf{t}^{\prime} x_{3} \end{array}\right] [d1e1d2e2d3e3]=[d′R′e1d′R′e2d′R′e3]+[t′x1t′x2t′x3](15)即可推导出如下3式:
d 1 e 1 = d ′ R ′ e 1 + t ′ x 1 d 2 e 2 = d ′ R ′ e 2 + t ′ x 2 d 3 e 3 = d ′ R ′ e 3 + t ′ x 3 (16) \tag{16} \color{blue} \begin{aligned} d_{1} \mathbf{e}_{1} &=d^{\prime} R^{\prime} \mathbf{e}_{1}+\mathbf{t}^{\prime} x_{1} \\ d_{2} \mathbf{e}_{2} &=d^{\prime} R^{\prime} \mathbf{e}_{2}+\mathbf{t}^{\prime} x_{2} \\ d_{3} \mathbf{e}_{3} &=d^{\prime} R^{\prime} \mathbf{e}_{3}+\mathbf{t}^{\prime} x_{3} \end{aligned} d1e1d2e2d3e3=d′R′e1+t′x1=d′R′e2+t′x2=d′R′e3+t′x3(16)
注意到 n n n 是单位法向量, V V V 是旋转矩阵,则 n ′ n′ n′ 也是单位法向量,则有 Σ i 3 = x i 2 = 1 Σ^3_i=x^2_i=1 Σi3=xi2=1。对(16)的三个式子消去t′得
d ′ R ′ ( x 2 e 1 − x 1 e 2 ) = d 1 x 2 e 1 − d 2 x 1 e 2 d ′ R ′ ( x 3 e 2 − x 2 e 3 ) = d 2 x 3 e 2 − d 3 x 2 e 3 d ′ R ′ ( x 1 e 3 − x 3 e 1 ) = d 3 x 1 e 3 − d 1 x 3 e 1 (17) \tag{17} \color{blue} \begin{array}{l} d^{\prime} R^{\prime}\left(x_{2} \mathbf{e}_{1}-x_{1} \mathbf{e}_{2}\right)=d_{1} x_{2} \mathbf{e}_{1}-d_{2} x_{1} \mathbf{e}_{2} \\ d^{\prime} R^{\prime}\left(x_{3} \mathbf{e}_{2}-x_{2} \mathbf{e}_{3}\right)=d_{2} x_{3} \mathbf{e}_{2}-d_{3} x_{2} \mathbf{e}_{3} \\ d^{\prime} R^{\prime}\left(x_{1} \mathbf{e}_{3}-x_{3} \mathbf{e}_{1}\right)=d_{3} x_{1} \mathbf{e}_{3}-d_{1} x_{3} \mathbf{e}_{1} \end{array} d′R′(x2e1−x1e2)=d1x2e1−d2x1e2d′R′(x3e2−x2e3)=d2x3e2−d3x2e3d′R′(x1e3−x3e1)=d3x1e3−d1x3e1(17)根据前面类似的结论,可以知道 R ′ R' R′ 为旋转矩阵,满足 R ′ T R ′ = E R'^TR'=E R′TR′=E。也就是 ∣ ∣ R ′ X ∣ ∣ = ∣ ∣ X ∣ ∣ ||R'X||=||X|| ∣∣R′X∣∣=∣∣X∣∣,对上式两边取二f范数可得: { ( d ′ 2 − d 2 2 ) x 1 2 + ( d ′ 2 − d 1 2 ) x 2 2 = 0 ( d ′ 2 − d 3 2 ) x 2 2 + ( d ′ 2 − d 2 2 ) x 3 2 = 0 ( d ′ 2 − d 1 2 ) x 3 2 + ( d ′ 2 − d 3 2 ) x 1 2 = 0 (18) \tag{18} \color{blue} \left\{\begin{array}{l} \left(d^{\prime 2}-d_{2}^{2}\right) x_{1}^{2}+\left(d^{\prime 2}-d_{1}^{2}\right) x_{2}^{2}=0 \\ \left(d^{\prime 2}-d_{3}^{2}\right) x_{2}^{2}+\left(d^{\prime 2}-d_{2}^{2}\right) x_{3}^{2}=0 \\ \left(d^{\prime 2}-d_{1}^{2}\right) x_{3}^{2}+\left(d^{\prime 2}-d_{3}^{2}\right) x_{1}^{2}=0 \end{array}\right. ⎩ ⎨ ⎧(d′2−d22)x12+(d′2−d12)x22=0(d′2−d32)x22+(d′2−d22)x32=0(d′2−d12)x32+(d′2−d32)x12=0(18)上式是一个关于 x 1 2 、 x 2 2 、 x 3 2 x_1^2、x_2^2、x_3^2 x12、x22、x32 的一个齐次线性方程,又根据 n ′ = ( x 1 , x 2 , x 3 ) T n'=(x_1, x_2, x_3)^T n′=(x1,x2,x3)T 为单位向量,也就是 x 1 2 + x 2 2 + x 3 2 = ∑ i = 1 3 x i 2 = 1 x_1^2+x_2^2+x_3^2=\sum_{i=1}^3x_i^2=1 x12+x22+x32=∑i=13xi2=1,且系数矩阵的秩小于3,需要求该线性方程的非零解,其行列式必定为0,也就有: ( d ′ 2 − d 1 2 ) ( d ′ 2 − d 2 2 ) ( d ′ 2 − d 3 2 ) = 0 (19) \tag{19} \color{blue} \left(d^{\prime 2}-d_{1}^{2}\right)\left(d^{\prime 2}-d_{2}^{2}\right)\left(d^{\prime 2}-d_{3}^{2}\right)=0 (d′2−d12)(d′2−d22)(d′2−d32)=0(19)
情形一:( d ′ = ± d 1 \color{red}d'=\pm d_1 d′=±d1)
如果 d = ± d 1 d=\pm d_1 d=±d1 带入(18)式,其为一解为 x 1 = x 2 = x 3 = 0 x_1=x_2=x_3=0 x1=x2=x3=0,很明显其不满足 ∑ i = 1 3 x i 2 = 1 \sum_{i=1}^3x_i^2=1 ∑i=13xi2=1, 说明其解为无效解。
情形二:( d ′ = ± d 3 \color{red}d'=\pm d_3 d′=±d3)
如果 d = ± d 3 d=\pm d_3 d=±d3 带入(18)式,其为一解为 x 1 = x 2 = x 3 = 0 x_1=x_2=x_3=0 x1=x2=x3=0,很明显其不满足 ∑ i = 1 3 x i 2 = 1 \sum_{i=1}^3x_i^2=1 ∑i=13xi2=1, 说明其解为无效解。
根据上面我们已经讨论了情形一与情形二,都是比较简单的,但是很明显都是无效解的,倒是还有一种情形没有讨论,那就是( d = ± d 2 d=\pm d_2 d=±d2),针对于这该情形,会出现好几种情况,现在分别对其进行讨论,当 d ′ = ± d 2 d'=\pm d_2 d′=±d2 时,带入(18)式,并且根据 ∑ i = 1 3 x i 2 = 1 \sum_{i=1}^3x_i^2=1 ∑i=13xi2=1 可以获得(前面令 n ′ = ( x 1 , x 2 , x 3 ) \mathbf n'=(x_1,x_2,x_3) n′=(x1,x2,x3))
{ x 1 = ε 1 d 1 2 − d 2 2 d 1 2 − d 3 2 x 2 = 0 x 3 = ε 3 d 2 2 − d 3 2 d 1 1 − d 3 2 ε 1 , ε 3 = ± 1 (20) \tag{20} \color{blue} \left\{\begin{array}{l} x_{1}=\varepsilon_{1} \sqrt{\frac{d_{1}^{2}-d_{2}^{2}}{d_{1}^{2}-d_{3}^{2}}} \\ x_{2}=0 \\ x_{3}=\varepsilon_{3} \sqrt{\frac{d_{2}^{2}-d_{3}^{2}}{d_{1}^{1}-d_{3}^{2}}} \end{array}~~~~~~~~~~~ \varepsilon_{1}, \varepsilon_{3}=\pm 1\right. ⎩ ⎨ ⎧x1=ε1d12−d32d12−d22x2=0x3=ε3d11−d32d22−d32 ε1,ε3=±1(20)然后我们在此基础上,再根据 d 1 ≥ d 2 ≥ d 3 d_1\geq d_2\geq d_3 d1≥d2≥d3 分多种情况进行讨论。主要分为三种情况:
( 1 ) d 1 ≠ d 2 ≠ d 3 ( 2 ) d 1 = d 2 ≠ d 3 或者 d 1 ≠ d 2 = d 3 ( 3 ) d 1 = d 2 = d 3 (21) \tag{21} \color{blue} (1)d_1≠d_2≠d_3\\ (2)d_1=d_2≠d_3 或者d_1≠d_2=d_3\\(3)d_1=d_2=d_3 (1)d1=d2=d3(2)d1=d2=d3或者d1=d2=d3(3)d1=d2=d3(21)
情况一:( d ′ = d 2 > 0 \color{red}d'=d_2>0 d′=d2>0),满足该条件下,进行细致讨论
( 1 ) 当 d 1 ≠ d 2 ≠ d 3 时 \color{blue} (1)当d_1≠d_2≠d_3时 (1)当d1=d2=d3时
由于 d ′ = d 2 、 x 2 = 0 d'=d_2、 x_2=0 d′=d2、x2=0,带入(16)中的第二个等式中,可以得到 e 2 = R ′ e 2 e_2=R'e_2 e2=R′e2 可以得知, R ′ R' R′ 是沿着轴 e 2 e_2 e2 旋转的,那么就有:
R ′ = ( cos θ 0 − sin θ 0 1 0 sin θ 0 cos θ ) R^{\prime}=\left(\begin{array}{ccc} \cos \theta & 0 & -\sin \theta \\ 0 & 1 & 0 \\ \sin \theta & 0 & \cos \theta \end{array}\right) R′=⎝ ⎛cosθ0sinθ010−sinθ0cosθ⎠ ⎞其代入(17)式中的第三个式子,可得: ( cos θ 0 − sin θ 0 1 0 sin θ 0 cos θ ) ( − x 3 0 x 1 ) = ( − d 1 x 3 0 d 3 x 1 ) \left(\begin{array}{ccc} \cos \theta & 0 & -\sin \theta \\ 0 & 1 & 0 \\ \sin \theta & 0 & \cos \theta \end{array}\right)\left(\begin{array}{c} -x_{3} \\ 0 \\ x_{1} \end{array}\right)=\left(\begin{array}{c} -d_{1} x_{3} \\ 0 \\ d_{3} x_{1} \end{array}\right) ⎝ ⎛cosθ0sinθ010−sinθ0cosθ⎠ ⎞⎝ ⎛−x30x1⎠ ⎞=⎝ ⎛−d1x30d3x1⎠ ⎞结合式子(20)可解得: { sin θ = d 1 − d 3 d 2 x 1 x 3 = ε 1 ε 3 ( d 1 2 − d 2 2 ) ( d 2 2 − d 3 2 ) ( d 1 − d 3 ) d 2 cos θ = d 1 x 3 2 − d 3 x 1 2 d 2 = d 2 2 + d 1 d 3 ( d 1 + d 3 ) d 2 \left\{\begin{array}{l} \sin \theta=\frac{d_{1}-d_{3}}{d_{2}} x_{1} x_{3}=\varepsilon_{1} \varepsilon_{3} \frac{\sqrt{\left(d_{1}^{2}-d_{2}^{2}\right)\left(d_{2}^{2}-d_{3}^{2}\right)}}{\left(d_{1}-d_{3}\right) d_{2}} \\ \cos \theta=\frac{d_{1} x_{3}^{2}-d_{3} x_{1}^{2}}{d_{2}}=\frac{d_{2}^{2}+d_{1} d_{3}}{\left(d_{1}+d_{3}\right) d_{2}} \end{array}\right. ⎩ ⎨ ⎧sinθ=d2d1−d3x1x3=ε1ε3(d1−d3)d2(d12−d22)(d22−d32)cosθ=d2d1x32−d3x12=(d1+d3)d2d22+d1d3由于 n ′ T n ′ = 1 n'^Tn'=1 n′Tn′=1, (15)式两边同时乘 n ′ n' n′ 然后位移可以得到: t ′ = ( d 1 0 0 0 d 2 0 0 0 d 3 ) ( x 1 0 x 3 ) − d 2 ( cos θ 0 − sin θ 0 1 0 sin θ 0 cos θ ) ( x 1 0 x 3 ) \mathbf{t}^{\prime}=\left(\begin{array}{ccc} d_{1} & 0 & 0 \\ 0 & d_{2} & 0 \\ 0 & 0 & d_{3} \end{array}\right)\left(\begin{array}{c} x_{1} \\ 0 \\ x_{3} \end{array}\right)-d_{2}\left(\begin{array}{ccc} \cos \theta & 0 & -\sin \theta \\ 0 & 1 & 0 \\ \sin \theta & 0 & \cos \theta \end{array}\right)\left(\begin{array}{c} x_{1} \\ 0 \\ x_{3} \end{array}\right) t′=⎝ ⎛d1000d2000d3⎠ ⎞⎝ ⎛x10x3⎠ ⎞−d2⎝ ⎛cosθ0sinθ010−sinθ0cosθ⎠ ⎞⎝ ⎛x10x3⎠ ⎞结合之前式可以推导得出: t ′ = ( d 1 − d 3 ) ( x 1 0 x 3 ) \mathbf{t}^{\prime}=\left(d_{1}-d_{3}\right)\left(\begin{array}{c} x_{1} \\ 0 \\ x_{3} \end{array}\right) t′=(d1−d3)⎝ ⎛x10x3⎠ ⎞
( 2 ) 当 d 1 = d 2 ≠ d 3 时 \color{blue} (2)当d_1=d_2≠d_3时 (2)当d1=d2=d3时
根据式子(20),这时有 x 1 = x 2 = 0 , x 3 = ± 1 x_1=x_2=0, x_3=\pm1 x1=x2=0,x3=±1, 可得 n ′ = ( x 1 , x 2 , x 3 ) = ( 0 , 0 , ± 1 ) T \mathbf n'=(x_1,x_2,x_3)=(0,0,\pm1)^T n′=(x1,x2,x3)=(0,0,±1)T, 结合式子(16), 解为: { R ′ = E t ′ = ( d 3 − d 1 ) n ′ \left\{\begin{array}{l} R^{\prime}=E \\ \mathbf{t}^{\prime}=\left(d_{3}-d_{1}\right) \mathbf{n}^{\prime} \end{array}\right. {R′=Et′=(d3−d1)n′
( 3 ) 当 d 1 = d 2 = d 3 时 \color{blue} (3)当d_1=d_2=d_3时 (3)当d1=d2=d3时
这时 x 1 、 x 2 、 x 3 x_1、x_2、x_3 x1、x2、x3 未定义,根据式(16),(17)可得:
{ R ′ = E t ′ = 0 \left\{\begin{array}{l} R^{\prime}=E \\ \mathbf{t}^{\prime}=\mathbf{0} \end{array}\right. {R′=Et′=0
情况二:( d ′ = − d 2 < 0 \color{red}d'=- d_2<0 d′=−d2<0), 满足该条件下,进行细致讨论
( 1 ) 当 d 1 ≠ d 2 ≠ d 3 时 \color{blue} (1)当d_1≠d_2≠d_3时 (1)当d1=d2=d3时
把 d ′ = − d 2 d'=- d_2 d′=−d2 代入(16)的第二个等式得 − e 2 = R ′ e 2 -e_2=R'e_2 −e2=R′e2, 此时 R ′ R' R′ 可以表示为 R ′ = ( cos θ 0 sin θ 0 − 1 0 sin θ 0 − cos θ ) R^{\prime}=\left(\begin{array}{ccc} \cos \theta & 0 & \sin \theta \\ 0 & -1 & 0 \\ \sin \theta & 0 & -\cos \theta \end{array}\right) R′=⎝ ⎛cosθ0sinθ0−10sinθ0−cosθ⎠ ⎞该式代入(17)式中的第三个等式,得: ( cos θ 0 sin θ 0 − 1 0 sin θ 0 − cos θ ) ( − x 3 0 x 1 ) = ( − d 1 x 3 0 d 3 x 1 ) \left(\begin{array}{ccc} \cos \theta & 0 & \sin \theta \\ 0 & -1 & 0 \\ \sin \theta & 0 & -\cos \theta \end{array}\right)\left(\begin{array}{c} -x_{3} \\ 0 \\ x_{1} \end{array}\right)=\left(\begin{array}{c} -d_{1} x_{3} \\ 0 \\ d_{3} x_{1} \end{array}\right) ⎝ ⎛cosθ0sinθ0−10sinθ0−cosθ⎠ ⎞⎝ ⎛−x30x1⎠ ⎞=⎝ ⎛−d1x30d3x1⎠ ⎞结合式(20)可以解得: { sin θ = d 1 + d 3 d 2 x 1 x 3 = ε 1 ε 3 ( d 1 2 − d 2 2 ) ( d 2 2 − d 3 2 ) ( d 1 − d 3 ) d 2 cos θ = d 3 x 1 2 − d 1 x 3 2 d 2 = d 1 d 3 − d 2 2 ( d 1 − d 3 ) d 2 \left\{\begin{array}{l} \sin \theta=\frac{d_{1}+d_{3}}{d_{2}} x_{1} x_{3}=\varepsilon_{1} \varepsilon_{3} \frac{\sqrt{\left(d_{1}^{2}-d_{2}^{2}\right)\left(d_{2}^{2}-d_{3}^{2}\right)}}{\left(d_{1}-d_{3}\right) d_{2}} \\ \cos \theta=\frac{d_{3} x_{1}^{2}-d_{1} x_{3}^{2}}{d_{2}}=\frac{d_{1} d_{3}-d_{2}^{2}}{\left(d_{1}-d_{3}\right) d_{2}} \end{array}\right. ⎩ ⎨ ⎧sinθ=d2d1+d3x1x3=ε1ε3(d1−d3)d2(d12−d22)(d22−d32)cosθ=d2d3x12−d1x32=(d1−d3)d2d1d3−d22上述推出得式子,带入到(15)式中可得: t ′ = ( d 1 0 0 0 d 2 0 0 0 d 3 ) ( x 1 0 x 3 ) + d 2 ( cos θ 0 sin θ 0 − 1 0 sin θ 0 − cos θ ) ( x 1 0 x 3 ) = ( d 1 + d 3 ) ( x 1 0 x 3 ) \mathbf{t}^{\prime}=\left(\begin{array}{ccc} d_{1} & 0 & 0 \\ 0 & d_{2} & 0 \\ 0 & 0 & d_{3} \end{array}\right)\left(\begin{array}{c} x_{1} \\ 0 \\ x_{3} \end{array}\right)+d_{2}\left(\begin{array}{ccc} \cos \theta & 0 & \sin \theta \\ 0 & -1 & 0 \\ \sin \theta & 0 & -\cos \theta \end{array}\right)\left(\begin{array}{c} x_{1} \\ 0 \\ x_{3} \end{array}\right)=\left(d_{1}+d_{3}\right)\left(\begin{array}{c} x_{1} \\ 0 \\ x_{3} \end{array}\right) t′=⎝ ⎛d1000d2000d3⎠ ⎞⎝ ⎛x10x3⎠ ⎞+d2⎝ ⎛cosθ0sinθ0−10sinθ0−cosθ⎠ ⎞⎝ ⎛x10x3⎠ ⎞=(d1+d3)⎝ ⎛x10x3⎠ ⎞
( 2 ) 当 d 1 = d 2 ≠ d 3 时 \color{blue} (2)当d_1=d_2≠d_3时 (2)当d1=d2=d3时
结合式(20),这时有 x 1 = x 2 = 0 , x 3 = ± 1 x_1=x_2=0, x_3=\pm1 x1=x2=0,x3=±1, 可得 n ′ = ( x 1 , x 2 , x 3 ) = ( 0 , 0 , ± 1 ) T \mathbf n'=(x_1,x_2,x_3)=(0,0,\pm1)^T n′=(x1,x2,x3)=(0,0,±1)T,结合式子(16),解为 { R ′ = [ − 1 0 0 0 − 1 0 0 0 1 ] t ′ = ( d 3 + d 1 ) n ′ \left\{\begin{array}{c} R^{\prime}=\left[\begin{array}{ccc} -1 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 1 \end{array}\right]\\ \mathbf{t}^{\prime}=\left(d_{3}+d_{1}\right) \mathbf{n}^{\prime} \end{array}\right. ⎩ ⎨ ⎧R′=⎣ ⎡−1000−10001⎦ ⎤t′=(d3+d1)n′
( 3 ) 当 d 1 = d 2 = d 3 时 \color{blue} (3)当d_1=d_2=d_3时 (3)当d1=d2=d3时
根据公式(13)有 − d ′ E = d ′ R ′ + t ′ n ′ T -d^{\prime} E=d^{\prime} R^{\prime}+\mathbf t^{\prime}\mathbf{n}^{\prime T} −d′E=d′R′+t′n′T, 也就有,对于与 n ′ \mathbf n' n′ 垂直(在平面内) 的向量 x \mathbf x x, 有 R ′ x = − x R'\mathbf x=-\mathbf x R′x=−x, 根据 householder 变换得到: { R ′ = − E + 2 n ′ n ′ T t ′ = − 2 d ′ n ′ \left\{\begin{array}{l} R^{\prime}=-E+2 \mathbf{n}^{\prime} \mathbf{n}^{\prime T} \\ \mathbf{t}^{\prime}=-2 d^{\prime} \mathbf{n}^{\prime} \end{array}\right. {R′=−E+2n′n′Tt′=−2d′n′
根据上面的分析,其一共是八组解,其中情形一:( d ′ = ± d 1 \color{red}d'=\pm d_1 d′=±d1),与 情形二:( d ′ = ± d 3 \color{red}d'=\pm d_3 d′=±d3) 都属于无效解。另外六种解分成两种情况,分别为情况一:( d ′ = d 2 > 0 \color{red}d'=d_2>0 d′=d2>0),情况二:( d ′ = − d 2 < 0 \color{red}d'=- d_2<0 d′=−d2<0), 每种情况三种解。
我们从另外一个角度来分析,为什么其是八组解呢。首先我们回顾(20)式, 其中包含了 ε 1 , ε 3 = ± 1 \varepsilon_{1}, \varepsilon_{3}=\pm 1 ε1,ε3=±1,也就是共 4 种组合,然后结合前面的分析,可以知道 d ′ d' d′ 可能存在两种情况,分别为 d ′ = d 2 > 0 , d ′ = − d 2 < 0 d'=d_2>0,d'=- d_2<0 d′=d2>0,d′=−d2<0。所以最终解的组合为 4x2=8,但是我们在应用的时候,确不一定能得到这么多组解,为什么呢?
我们来回顾一下之前是式子(10),如下所示(如果为同一相机则 K 1 = K 2 \mathbf K_1=\mathbf K_2 K1=K2): A = d R + t n T = d K 2 − 1 H K 1 (10) \tag{10} \color{blue} A=dR+\mathbf{t n}^{T}=dK_{2}^{-1} H K_{1} A=dR+tnT=dK2−1HK1(10)在实际执行代码的过程种,其上的 A A A 是确定的,因为 s = det ( U ) det ( V ) = 1 s=\operatorname{det}(U) \operatorname{det}(V)=1 s=det(U)det(V)=1, K 1 , K 2 K_1,K_2 K1,K2 为两个相机的内参, X 1 X_1 X1 为相机一种的世界坐标,又 x 1 = K 1 X 1 ⟹ X 1 = x 1 K 1 − 1 \mathbf{x}_{1}=K_{1} \mathbf{X}_{1} \Longrightarrow \mathbf{X}_{1}=\mathbf{x}_{1} K_{1}^{-1} x1=K1X1⟹X1=x1K1−1, 也就是 X 1 \mathbf{X}_{1} X1 可以由相机内参以及相机坐标转换而来。所以 A A A 在代码执行过程中,其是一个确定的值。
另外 s = det ( U ) det ( V ) s=\operatorname{det}(U) \operatorname{det}(V) s=det(U)det(V) 是确定的,所以 d ′ = s d d'=sd d′=sd 也是确定的,也就是代码执行过程中,是知道 d ′ d' d′ 是否大于0,这样就能够排除 4 组解了。 假设四组解对应的法向量 n \mathbf n n 为 n 1 , − n 1 , n 2 , − n 2 , \mathbf n_1,\mathbf {-n}_1,\mathbf n_2,\mathbf {-n}_2, n1,−n1,n2,−n2,, 根据(4) 式,以及考虑到 Z 1 > 0 Z_1>0 Z1>0, 有: n T X 1 d Z 1 = n T x 1 d > 0 \color{blue} \frac{\mathbf{n}^{T} \mathbf{X}_{1}}{d Z_{1}}=\frac{\mathbf{n}^{T} \mathbf{x}_{1}}{d}>0 dZ1nTX1=dnTx1>0所以剩下的四组解中,只有两组是有效的,另外在论文中提到:当观测到的点不是全部靠近一个相机光心而远离另外一个相机光心,那么只有一个解满足所有的点。如果有 d ′ > 0 d'>0 d′>0, 对于上述两个解 ( n 1 ′ , t 1 ′ \mathbf{n}'_1,\mathbf{t}'_1 n1′,t1′) 和 ( n 2 ′ , t 2 ′ \mathbf{n}'_2,\mathbf{t}'_2 n2′,t2′),这两个解有如下关系,也就是两个解是相同的( 本人没有明白所以然 \color{red}本人没有明白所以然 本人没有明白所以然),如下: { t 2 ′ = ( d 1 − d 3 ) n 1 ′ n 2 ′ = t 1 ′ d 1 − d 3 \color{blue} \left\{\begin{array}{l} \mathbf{t}_{2}^{\prime}=\left(d_{1}-d_{3}\right) \mathbf{n}_{1}^{\prime} \\ \mathbf{n}_{2}^{\prime}=\frac{\mathbf{t}_{1}^{\prime}}{d_{1}-d_{3}} \end{array}\right. {t2′=(d1−d3)n1′n2′=d1−d3t1′
注意 \color{red}注意 注意ORB-SLAM2的代码,是在求出所有的8个解之后,对每一个解进行分析,检测点是不是都在两个相机的前方,并且统计重投影误差较小的点的个数,找出8个解中统计得到点数最多的的那个解作为最终的解。其代码实现如下。
位于 src/Initializer.cc 文件中的 Initializer::ReconstructH() 函数
/**
* @brief 用H矩阵恢复R, t和三维点
* H矩阵分解常见有两种方法:Faugeras SVD-based decomposition 和 Zhang SVD-based decomposition
* 代码使用了Faugeras SVD-based decomposition算法,参考文献
* Motion and structure from motion in a piecewise planar environment. International Journal of Pattern Recognition and Artificial Intelligence, 1988
*
* @param[in] vbMatchesInliers 匹配点对的内点标记
* @param[in] H21 从参考帧到当前帧的单应矩阵
* @param[in] K 相机的内参数矩阵
* @param[in & out] R21 计算出来的相机旋转
* @param[in & out] t21 计算出来的相机平移
* @param[in & out] vP3D 世界坐标系下,三角化测量特征点对之后得到的特征点的空间坐标
* @param[in & out] vbTriangulated 特征点是否成功三角化的标记
* @param[in] minParallax 对特征点的三角化测量中,认为其测量有效时需要满足的最小视差角(如果视差角过小则会引起非常大的观测误差),单位是角度
* @param[in] minTriangulated 为了进行运动恢复,所需要的最少的三角化测量成功的点个数
* @return true 单应矩阵成功计算出位姿和三维点
* @return false 初始化失败
*/
bool Initializer::ReconstructH(vector<bool> &vbMatchesInliers, cv::Mat &H21, cv::Mat &K,
cv::Mat &R21, cv::Mat &t21, vector<cv::Point3f> &vP3D, vector<bool> &vbTriangulated, float minParallax, int minTriangulated)
{
// 目的 :通过单应矩阵H恢复两帧图像之间的旋转矩阵R和平移向量T
// 参考 :Motion and structure from motion in a piecewise plannar environment.
// International Journal of Pattern Recognition and Artificial Intelligence, 1988
// https://www.researchgate.net/publication/243764888_Motion_and_Structure_from_Motion_in_a_Piecewise_Planar_Environment
// 流程:
// 1. 根据H矩阵的奇异值d'= d2 或者 d' = -d2 分别计算 H 矩阵分解的 8 组解
// 1.1 讨论 d' > 0 时的 4 组解
// 1.2 讨论 d' < 0 时的 4 组解
// 2. 对 8 组解进行验证,并选择产生相机前方最多3D点的解为最优解
// 统计匹配的特征点对中属于内点(Inlier)或有效点个数
int N=0;
for(size_t i=0, iend = vbMatchesInliers.size() ; i<iend; i++)
if(vbMatchesInliers[i])
N++;
// We recover 8 motion hypotheses using the method of Faugeras et al.
// Motion and structure from motion in a piecewise planar environment.
// International Journal of Pattern Recognition and Artificial Intelligence, 1988
// 参考SLAM十四讲第二版p170-p171
// H = K * (R - t * n / d) * K_inv
// 其中: K表示内参数矩阵
// K_inv 表示内参数矩阵的逆
// R 和 t 表示旋转和平移向量
// n 表示平面法向量
// 令 H = K * A * K_inv
// 则 A = k_inv * H * k
cv::Mat invK = K.inv();
cv::Mat A = invK*H21*K;
// 对矩阵A进行SVD分解
// A 等待被进行奇异值分解的矩阵
// w 奇异值矩阵
// U 奇异值分解左矩阵
// Vt 奇异值分解右矩阵,注意函数返回的是转置
// cv::SVD::FULL_UV 全部分解
// A = U * w * Vt
cv::Mat U,w,Vt,V;
cv::SVD::compute(A, w, U, Vt, cv::SVD::FULL_UV);
// 根据文献eq(8),计算关联变量
V=Vt.t();
// 计算变量s = det(U) * det(V)
// 因为det(V)==det(Vt), 所以 s = det(U) * det(Vt)
float s = cv::determinant(U)*cv::determinant(Vt);
// 取得矩阵的各个奇异值
float d1 = w.at<float>(0);
float d2 = w.at<float>(1);
float d3 = w.at<float>(2);
// SVD分解正常情况下特征值di应该是正的,且满足d1>=d2>=d3
if(d1/d2<1.00001 || d2/d3<1.00001) {
return false;
}
// 在ORBSLAM中没有对奇异值 d1 d2 d3按照论文中描述的关系进行分类讨论, 而是直接进行了计算
// 定义8中情况下的旋转矩阵、平移向量和空间向量
vector<cv::Mat> vR, vt, vn;
vR.reserve(8);
vt.reserve(8);
vn.reserve(8);
// Step 1.1 讨论 d' > 0 时的 4 组解
// 根据论文eq.(12)有
// x1 = e1 * sqrt((d1 * d1 - d2 * d2) / (d1 * d1 - d3 * d3))
// x2 = 0
// x3 = e3 * sqrt((d2 * d2 - d2 * d2) / (d1 * d1 - d3 * d3))
// 令 aux1 = sqrt((d1*d1-d2*d2)/(d1*d1-d3*d3))
// aux3 = sqrt((d2*d2-d3*d3)/(d1*d1-d3*d3))
// 则
// x1 = e1 * aux1
// x3 = e3 * aux2
// 因为 e1,e2,e3 = 1 or -1
// 所以有x1和x3有四种组合
// x1 = {aux1,aux1,-aux1,-aux1}
// x3 = {aux3,-aux3,aux3,-aux3}
float aux1 = sqrt((d1*d1-d2*d2)/(d1*d1-d3*d3));
float aux3 = sqrt((d2*d2-d3*d3)/(d1*d1-d3*d3));
float x1[] = {aux1,aux1,-aux1,-aux1};
float x3[] = {aux3,-aux3,aux3,-aux3};
// 根据论文eq.(13)有
// sin(theta) = e1 * e3 * sqrt(( d1 * d1 - d2 * d2) * (d2 * d2 - d3 * d3)) /(d1 + d3)/d2
// cos(theta) = (d2* d2 + d1 * d3) / (d1 + d3) / d2
// 令 aux_stheta = sqrt((d1*d1-d2*d2)*(d2*d2-d3*d3))/((d1+d3)*d2)
// 则 sin(theta) = e1 * e3 * aux_stheta
// cos(theta) = (d2*d2+d1*d3)/((d1+d3)*d2)
// 因为 e1 e2 e3 = 1 or -1
// 所以 sin(theta) = {aux_stheta, -aux_stheta, -aux_stheta, aux_stheta}
float aux_stheta = sqrt((d1*d1-d2*d2)*(d2*d2-d3*d3))/((d1+d3)*d2);
float ctheta = (d2*d2+d1*d3)/((d1+d3)*d2);
float stheta[] = {aux_stheta, -aux_stheta, -aux_stheta, aux_stheta};
// 计算旋转矩阵 R'
//根据不同的e1 e3组合所得出来的四种R t的解
// | ctheta 0 -aux_stheta| | aux1|
// Rp = | 0 1 0 | tp = | 0 |
// | aux_stheta 0 ctheta | |-aux3|
// | ctheta 0 aux_stheta| | aux1|
// Rp = | 0 1 0 | tp = | 0 |
// |-aux_stheta 0 ctheta | | aux3|
// | ctheta 0 aux_stheta| |-aux1|
// Rp = | 0 1 0 | tp = | 0 |
// |-aux_stheta 0 ctheta | |-aux3|
// | ctheta 0 -aux_stheta| |-aux1|
// Rp = | 0 1 0 | tp = | 0 |
// | aux_stheta 0 ctheta | | aux3|
// 开始遍历这四种情况中的每一种
for(int i=0; i<4; i++)
{
//生成Rp,就是eq.(8) 的 R'
cv::Mat Rp=cv::Mat::eye(3,3,CV_32F);
Rp.at<float>(0,0)=ctheta;
Rp.at<float>(0,2)=-stheta[i];
Rp.at<float>(2,0)=stheta[i];
Rp.at<float>(2,2)=ctheta;
// eq.(8) 计算R
cv::Mat R = s*U*Rp*Vt;
// 保存
vR.push_back(R);
// eq. (14) 生成tp
cv::Mat tp(3,1,CV_32F);
tp.at<float>(0)=x1[i];
tp.at<float>(1)=0;
tp.at<float>(2)=-x3[i];
tp*=d1-d3;
// 这里虽然对t有归一化,并没有决定单目整个SLAM过程的尺度
// 因为CreateInitialMapMonocular函数对3D点深度会缩放,然后反过来对 t 有改变
// eq.(8)恢复原始的t
cv::Mat t = U*tp;
vt.push_back(t/cv::norm(t));
// 构造法向量np
cv::Mat np(3,1,CV_32F);
np.at<float>(0)=x1[i];
np.at<float>(1)=0;
np.at<float>(2)=x3[i];
// eq.(8) 恢复原始的法向量
cv::Mat n = V*np;
//看PPT 16页的图,保持平面法向量向上
if(n.at<float>(2)<0)
n=-n;
// 添加到vector
vn.push_back(n);
}
// Step 1.2 讨论 d' < 0 时的 4 组解
float aux_sphi = sqrt((d1*d1-d2*d2)*(d2*d2-d3*d3))/((d1-d3)*d2);
// cos_theta项
float cphi = (d1*d3-d2*d2)/((d1-d3)*d2);
// 考虑到e1,e2的取值,这里的sin_theta有两种可能的解
float sphi[] = {aux_sphi, -aux_sphi, -aux_sphi, aux_sphi};
// 对于每种由e1 e3取值的组合而形成的四种解的情况
for(int i=0; i<4; i++)
{
// 计算旋转矩阵 R'
cv::Mat Rp=cv::Mat::eye(3,3,CV_32F);
Rp.at<float>(0,0)=cphi;
Rp.at<float>(0,2)=sphi[i];
Rp.at<float>(1,1)=-1;
Rp.at<float>(2,0)=sphi[i];
Rp.at<float>(2,2)=-cphi;
// 恢复出原来的R
cv::Mat R = s*U*Rp*Vt;
// 然后添加到vector中
vR.push_back(R);
// 构造tp
cv::Mat tp(3,1,CV_32F);
tp.at<float>(0)=x1[i];
tp.at<float>(1)=0;
tp.at<float>(2)=x3[i];
tp*=d1+d3;
// 恢复出原来的t
cv::Mat t = U*tp;
// 归一化之后加入到vector中,要提供给上面的平移矩阵都是要进行过归一化的
vt.push_back(t/cv::norm(t));
// 构造法向量np
cv::Mat np(3,1,CV_32F);
np.at<float>(0)=x1[i];
np.at<float>(1)=0;
np.at<float>(2)=x3[i];
// 恢复出原来的法向量
cv::Mat n = V*np;
// 保证法向量指向上方
if(n.at<float>(2)<0)
n=-n;
// 添加到vector中
vn.push_back(n);
}
// 最好的good点
int bestGood = 0;
// 其次最好的good点
int secondBestGood = 0;
// 最好的解的索引,初始值为-1
int bestSolutionIdx = -1;
// 最大的视差角
float bestParallax = -1;
// 存储最好解对应的,对特征点对进行三角化测量的结果
vector<cv::Point3f> bestP3D;
// 最佳解所对应的,那些可以被三角化测量的点的标记
vector<bool> bestTriangulated;
// Instead of applying the visibility constraints proposed in the WFaugeras' paper (which could fail for points seen with low parallax)
// We reconstruct all hypotheses and check in terms of triangulated points and parallax
// Step 2. 对 8 组解进行验证,并选择产生相机前方最多3D点的解为最优解
for(size_t i=0; i<8; i++)
{
// 第i组解对应的比较大的视差角
float parallaxi;
// 三角化测量之后的特征点的空间坐标
vector<cv::Point3f> vP3Di;
// 特征点对是否被三角化的标记
vector<bool> vbTriangulatedi;
// 调用 Initializer::CheckRT(), 计算good点的数目
int nGood = CheckRT(vR[i],vt[i], //当前组解的旋转矩阵和平移向量
mvKeys1,mvKeys2, //特征点
mvMatches12,vbMatchesInliers, //特征匹配关系以及Inlier标记
K, //相机的内参数矩阵
vP3Di, //存储三角化测量之后的特征点空间坐标的
4.0*mSigma2, //三角化过程中允许的最大重投影误差
vbTriangulatedi, //特征点是否被成功进行三角测量的标记
parallaxi); // 这组解在三角化测量的时候的比较大的视差角
// 更新历史最优和次优的解
// 保留最优的和次优的解.保存次优解的目的是看看最优解是否突出
if(nGood>bestGood)
{
// 如果当前组解的good点数是历史最优,那么之前的历史最优就变成了历史次优
secondBestGood = bestGood;
// 更新历史最优点
bestGood = nGood;
// 最优解的组索引为i(就是当前次遍历)
bestSolutionIdx = i;
// 更新变量
bestParallax = parallaxi;
bestP3D = vP3Di;
bestTriangulated = vbTriangulatedi;
}
// 如果当前组的good计数小于历史最优但却大于历史次优
else if(nGood>secondBestGood)
{
// 说明当前组解是历史次优点,更新之
secondBestGood = nGood;
}
}
// Step 3 选择最优解。要满足下面的四个条件
// 1. good点数最优解明显大于次优解,这里取0.75经验值
// 2. 视角差大于规定的阈值
// 3. good点数要大于规定的最小的被三角化的点数量
// 4. good数要足够多,达到总数的90%以上
if(secondBestGood<0.75*bestGood &&
bestParallax>=minParallax &&
bestGood>minTriangulated &&
bestGood>0.9*N)
{
// 从最佳的解的索引访问到R,t
vR[bestSolutionIdx].copyTo(R21);
vt[bestSolutionIdx].copyTo(t21);
// 获得最佳解时,成功三角化的三维点,以后作为初始地图点使用
vP3D = bestP3D;
// 获取特征点的被成功进行三角化的标记
vbTriangulated = bestTriangulated;
//返回真,找到了最好的解
return true;
}
return false;
}
该篇博客讲解的内容比较多,然后难度也比较大。所以需要大家好好琢磨,慢慢消化。另外上述的代码中,有一个地方还没有进行详细的讲解,那就是其上的 CheckRT() 函数,主要是关于三角化的知识,在后面的博客中,
本文内容来自计算机视觉life ORB-SLAM2 课程课件