本文主要记录以下内容:
1.特征点是如何提取与匹配的
2.2D-2D对极几何
3.3D-2D PnP
4.3D-3D ICP
5.三角化与深度估计
一。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
1.三维空间中固定不变的点,能够在特定位姿下观测到
2.数量充足,以实现良好的定位
3.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。
特征点一般选取角点信息,对于一个变化不明显,均匀的纹理特征点很难找到。
1特征点:图像当中具有代表性的部分
a.可重复性:在不同的图像中看到这些点时都能提取出这些点
b.可区别性:点之间要有差别,可区别
c.高效:提取这些点不能占太多的时间
d.本地
倾向于提角点,但角点也有很多分类,有些是通过计算奇异值来确定,有些是用简单的快速的方式(如fast)
2.特征点的信息
a.位置、大小、方向、评分等------关键点
b.特征点周围的图像信息-------描述子(Descriptor) 因为要对特征点进行匹配,所以要知道特征点周围图像是长什么样子的。所谓描述子就是对特征点周围的这个图像块进行一个特定的编码(希望对光照,图像的旋转平移等有一定的抵抗能力)
3.例子:SIFT/SURF/ORB (参考OpenCV features2d模块)
4.以ORB为例,讲解ORB的特征点是怎么计算的
(1)关键点部分:Oriented FAST; 描述部分:BRIEF
(2)FAST:连续N个点的灰度有明显差异(没有角点的朝向信息)
(3)Oriented FAST:在FAST基础上计算旋转