特征点法视觉里程计（2D-2D）

特征点提取与匹配

经典SLAM模型中以位姿-路标（Landmark）来描述SLAM过程

• 路标是三维空间中固定不变的点，能够在特定位姿下观测到
• 数量充足，以实现良好的定位
• 较好的区分性，以实现数据关联

在视觉SLAM中，可以利用图像特征点作为SLAM中的路标

特征点：图像当中具有代表性的部分

• 可重复性
• 可区别性
• 高效
• 本地

特征点的信息：

• 位置、大小、方向、评分——关键点
• 特征点周围的图像信息——描述子（Descriptor）

例子：SIFT/SURF/ORB OpenCV features2d 模块

ORB特征

• 关键点：Oriented FAST
• 描述：BRIEF

FAST

• 连续N个点的灰度有明显差异

Oriented FAST

• 在FAST基础上计算旋转

  
  
  
  

BRIEF

• BRIEF-128:在特征点附近的128次像素比较
• ORB 旋转之后的BRIEF描述
• BRIEF是一种二进制描述，需要用汉明距离度量

特征匹配

• 通过描述子的差异判断哪些特征为同一个点
• 暴力匹配：比较图1中每个特征和图2特征的距离(汉明距离)
• 加速：快速最近邻居（FLANN）

特征匹配之后，得到特征点之间的对应关系

• 如果只有两个单目图像，得到2D-2D的关系——对极几何
• 如果匹配的是帧和地图，得到3D-2D的关系—— PnP
• 如果匹配的是RGB-D,得到3D-3D的关系——ICP

2D-2D对极几何

• P在两个图像的投影为

• 两个相机之间的变换为

• 在第二个图像上投影为

• 记称为极线，反之亦然

• 称为极点
  

• 实践当中

• 通过特征匹配得到，P未知,未知

• 待求

推理过程

1. 世界坐标：
2. 以第一个图为参考系，投影方程：
   
3. 使用归一化坐标（去掉内参）：
   
4. 齐次关系：
   5.两侧左乘：t^x_2 = t^Rx_1
   6.再一步左乘：t^ = t^
   7 . 对极约束
   t^
   
   
   
   
   
   
   

八点法的讨论

• 用于单目SLAM的初始化
• 尺度不确定性：归一化t或特征点的平均深度
• 纯旋转问题：t=0时无法求解
• 对于八对点时：最小二乘

• 有外点时：RANSAC

  
  
  
  

2D-2D对极几何小结

• 2D-2D情况下，只知道图像坐标之间的对应关系

• 当特征点在平面上时，（例如俯视或者仰视），使用H恢复R,t

• 否则，使用E或F恢复R,t

• t没有尺度

• 求得R,t后：

• 利用三角化计算特征点的3D位置（深度）

• 实际中用于单目SLAM的初始化部分