视觉SLAM十四讲ch7-2 视觉里程计笔记

视觉SLAM十四讲ch7-2 视觉里程计笔记

  • 3D-2D PNP
    • DLT
    • P3P
  • 3D-3D ICP
  • 小结

3D-2D PNP

视觉SLAM十四讲ch7-2 视觉里程计笔记_第1张图片

DLT

视觉SLAM十四讲ch7-2 视觉里程计笔记_第2张图片
s:距离
视觉SLAM十四讲ch7-2 视觉里程计笔记_第3张图片

P3P

视觉SLAM十四讲ch7-2 视觉里程计笔记_第4张图片
实际知道:abc在相机平面内的位置,ABC在世界坐标系内的位置 ,不知道ABC 在相机世界坐标系内的坐标。外参不知道,不知道oa的距离,距离知道就有3D信息,现在只2D信息,不知道OA长多少。
视觉SLAM十四讲ch7-2 视觉里程计笔记_第5张图片
视觉SLAM十四讲ch7-2 视觉里程计笔记_第6张图片

视觉SLAM十四讲ch7-2 视觉里程计笔记_第7张图片
p2^是投影的地方,p2是你认为真实的地方,e为误差

视觉SLAM十四讲ch7-2 视觉里程计笔记_第8张图片

视觉SLAM十四讲ch7-2 视觉里程计笔记_第9张图片
视觉SLAM十四讲ch7-2 视觉里程计笔记_第10张图片

3D-3D ICP

视觉SLAM十四讲ch7-2 视觉里程计笔记_第11张图片
视觉SLAM十四讲ch7-2 视觉里程计笔记_第12张图片视觉SLAM十四讲ch7-2 视觉里程计笔记_第13张图片

视觉SLAM十四讲ch7-2 视觉里程计笔记_第14张图片

  • ICP也可以从非线性优化角度求解,但:
    • 已知匹配时,ICP问题存在唯一解或无穷多解的情况。在唯一解的情况下,只要能找到
      极小值解,那么这个极小值就是全局最优值。
    • 所以正常情况下,SVD结果和优化-一样,且优化很快收敛。
  • 注:
    • 在激光情况下,匹配点未知,将指定最近点为匹配点。此时问题非凸,极小值不一定为
      最小值。
    • 利用非线性优化可以将ICP与PnP结合在一起求解。

小结

  • 本章介绍了与特征点相关的视觉里程计部分算法,包括:
    • 特征点是如何提取并匹配的;
    • 如何通过2D-2D的特征点估计相机运动;(主要用的对极几何,用到单目相机的初始化中 )
    • 三角化原理;
    • 3D-2D的PnP问题,线性解法与BA解法;
    • 3D-3DICP问题, 线性解法与BA解法。

你可能感兴趣的:(数码相机,计算机视觉,人工智能)