金坛网站优化,网站建设html5源码,佛山建设小学官方网站,网站设计论文摘要不言而善应 0. 基础知识1. 特征提取和匹配1.1 FAST关键点1.2 ORB的关键点--改进FAST1.3 ORB的描述子--BRIEF1.4 总结 2. 对极几何#xff0c;对极约束2.1 本质矩阵(对极约束)2.1.1 求解本质矩阵2.1.2 恢复相机运动 R #xff0c; t R#xff0c;t R#xff0c;… 不言而善应 0. 基础知识1. 特征提取和匹配1.1 FAST关键点1.2 ORB的关键点--改进FAST1.3 ORB的描述子--BRIEF1.4 总结 2. 对极几何对极约束2.1 本质矩阵(对极约束)2.1.1 求解本质矩阵2.1.2 恢复相机运动 R t Rt Rt2.1.3 本质矩阵调整2.1.3 遗留问题 2.2 单应矩阵特别提一下2.3 三角测量(Triangulation)---深度信息 为什么重要我们是在做什么事
特征提取和匹配 首先是两幅图像的特征提取然后是对应特征点的匹配。接下来的工作是根据得到的匹配点对估计相机的运动具体根据相机分为三种方法 单目相机2D-2D 对极几何 方法 双目或者RGBD相机 3D-3D ICP 方法 一个3D点和它相机中的投影位置 3D-2D PnP 方法
0. 基础知识
视觉SLAM两阶段
前端(VO) — 粗略相机运动 ------ 提供给后端初始值后端 — 优化
VO的实现方法两派
不提取特征点 ---- 直接法提取特征点 ------ 特征点法 ---- 成熟
1. 特征提取和匹配
注意有些东西的作用你要明白
关键点 是在一幅图像中找到的点作用是在一幅图中找到路标点(有代表性的点)。描述子 在两个图像的关键点找到的情况下匹配两个图像中的对应关键点。 通常是向量特征点 由关键点和描述子两部分组成任务是(提取XXX关键点计算XXX描述子)尺度不变性 为了确保从远到近都能检测出来关键点旋转不变性 为了确保图像旋转后还能检测出来关键点特征提取的是关键点和描述子特征匹配是根据描述子匹配的 几种图像特征
SIFT特征计算量太大有些精确FAST关键点没有描述子最快不准。ORB特征改进FAST关键点采用BRIEF描述子
1.1 FAST关键点 比较周围半径圆范围内的灰度情况差别大就是角点。 设定一个数量比如9范围内至少有连续9个点和选定点的亮度色差大于阈值T的时候该点就称为特征点。这种方法叫FAST-9。 检测完角点扎堆,非极大值抑制
1.2 ORB的关键点–改进FAST
改进了FAST关键点法克服了缺点 可以指定提取数量 对点分别计算Harris相应取前N个响应最大的角点 尺度不变性 用图像金字塔提取每一层的角点均为角点才是角点 旋转不变性灰度质心法保证图像旋转后还能检测到。最后得到的是角度从图像光度明指向光度暗的一侧具体实现如下 1.3 ORB的描述子–BRIEF
作用为了保证两个图像中提取出的关键点能对应上各自匹配的点对。
BRIEF是二进制描述子描述向量由0和1组成做法选取关键点周围的图像块随机选取像素点对(有很多选点方法)如128就是取128个点对设两个点像素分别为 p , q p, q p,q , 然后计算 p , q p, q p,q 的大小关系按结果分别记为01 最后得到128位的二进制数。匹配的时候在第二幅图像中也用相同的选点方法,最后比较两幅图像中关键点描述子距离(二进制的字串衡量就是汉明距离)。
1.4 总结
通过图像特征点的对应关系解决了SLAM最重要的一步同一个点在不同图像中如何检测出来。 特征匹配的方法有
暴力匹配(Brute-Force Matcher): 第二幅图像中每个点都计算其在第一幅图对应的特征点运算量大快速最近邻(FLANN) 适用于匹配点数量多。。。 2. 对极几何对极约束
目的是求相机运动 R , t R, t R,t内参一般知道
这是2D-2D的单目情形假设相机经过一次运动 R , t R, t R,t 后得到的两帧图如下 其中点和线定义如下 p 1 , p 2 p_1,p_2 p1,p2 分别同一个点在两帧下的投影点 O 1 , O 2 O_1, O_2 O1,O2 相机光心 P P P 真实世界中的点 I 1 , I 2 I_1, I_2 I1,I2 : 两帧图像 O 1 O 2 连线 O_1O_2连线 O1O2连线 基线 e 1 , e 2 e_1, e_2 e1,e2 : O 1 O 2 O_1O_2 O1O2 和 I 1 , I 2 I_1,I_2 I1,I2 的交点也叫极点极平面 O 1 , O 2 , P O_1,O_2,P O1,O2,P 所在平面极线 l 1 , l 2 l_1, l_2 l1,l2 。
如果没有深度信息则 O 1 P O_1P O1P 直线上任一点投影都在 p 1 p_1 p1且他在第二帧图像上的轨迹在 极线 p 2 e 2 p_2e_2 p2e2 上所以有真确的匹配就可以推断 P P P 的位置然后得到相机的运动。
2.1 本质矩阵(对极约束)
推理部分略详见《视觉SLAM十四讲》第七章7.3节这里给出结果。 仍参考上图取两个像素点归一化平面上的点 x 1 , x 2 x_1,x_2 x1,x2 x 1 K − 1 p 1 , x 2 K − 1 p 2 x_1K^{-1}p_1,\qquad\qquad x_2 K^{-1}p_2 x1K−1p1,x2K−1p2 则 最终的对极约束 为 p 2 T K − T t \qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad p_2^TK^{-T}t p2TK−Tt^ R K − 1 p 1 0 RK^{-1}p_1 0 RK−1p10
它的含义是 O 1 O 2 , P O_1O_2,P O1O2,P 三点共面。从式中心部分记本质矩阵 E \boldsymbol E E 和基础矩阵 F \boldsymbol F F 如下: E t \qquad\qquad\qquad\qquad\qquad\qquad\qquad Et Et^ R F K − T E K − 1 x 2 T E x 1 p 2 T F p 1 0 R\qquad\qquad FK^{-T}EK^{-1}\qquad\qquad x_2^TEx_1p_2^TFp_10 RFK−TEK−1x2TEx1p2TFp10
可以看出 E \boldsymbol E E 和 F \boldsymbol F F 只差内参 K K K (已知)所以二者 求一即可。 不妨以 E t Et Et^ R R R来求解。则后续工作如下 根据已匹配点对求出 E \boldsymbol E E或 F \boldsymbol F F根据 E \boldsymbol E E或 F \boldsymbol F F,求出相机运动 R , t \boldsymbol {R,t} R,t 2.1.1 求解本质矩阵
探究本质矩阵的特点 由对极约束 x 2 T E x 1 0 x_2^TEx_10 x2TEx10 , 所以它在不同尺度下等价左右乘依旧满足约束。又因为 E t Et Et^ R R R, 原本有6个自由度故去掉尺度还有5个自由度 E 的内在性质 E的内在性质 E的内在性质 它的奇异值必定是 [ δ δ 0 ] T [\delta \delta 0]^T [δδ0]T 的形式非线性的性质。
求解依据 x 2 T E x 1 0 ( 1 ) x_2^TEx_1 0 \qquad\qquad\qquad\qquad (1) x2TEx10(1) 理论上可以用5对点来求解但是很麻烦。故用 八点法 求解(由于尺度不变性)。
1.首先考虑一对点(归一化坐标 x 1 , x 2 x_1, x_2 x1,x2 ) 将(1)式展开: ( u 1 , v 1 , 1 ) ( e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 ) ( u 2 v 2 1 ) 0 ⇓ 将 e 展开 e [ e 1 , e 2 , e 3 , e 4 , e 5 , e 6 , e 7 , e 8 , e 9 ] ⇓ 展开并重写 [ u 1 u 2 , u 1 v 2 , u 1 , v 1 u 2 , v 1 v 2 , v 1 , u 2 , v 2 , 1 ] ⋅ e 0 ⇓ 考虑 8 对点的方程组 (u_1, v_1,1)\begin{pmatrix} e_1\quad e_2\quad e_3 \\e_4\quad e_5\quad e_6 \\e_7\quad e_8\quad e_9 \end{pmatrix}\begin{pmatrix} u_2\\v_2\\1 \end{pmatrix}0 \quad\\\; \\\;\Downarrow 将e展开 \\\;\\\;e[e_1,e_2,e_3,e_4,e_5,e_6,e_7,e_8,e_9]\\\;\\\; \Downarrow展开并重写\\\;\\\; [u_1u_2,u_1v_2,u_1,v_1u_2,v_1v_2,v_1,u_2,v_2,1]\cdot e 0 \\\;\\\Downarrow考虑8对点的方程组 (u1,v1,1) e1e2e3e4e5e6e7e8e9 u2v21 0⇓将e展开e[e1,e2,e3,e4,e5,e6,e7,e8,e9]⇓展开并重写[u1u2,u1v2,u1,v1u2,v1v2,v1,u2,v2,1]⋅e0⇓考虑8对点的方程组 至此本质矩阵的求解结束
2.1.2 恢复相机运动 R t Rt Rt
对 E \boldsymbol E E 做SVD分解 E U ∑ V T ( U , V 正交阵 ∑ 为奇异矩阵且 d i a g ( δ , δ , 0 ) ) EU\sum V_T\qquad\qquad (U,V正交阵\sum 为奇异矩阵且diag(\delta,\delta,0)) EU∑VT(U,V正交阵∑为奇异矩阵且diag(δ,δ,0))求解较为复杂这里给出结果 一共存在4组解。如下 蓝色横线就是相机平面红色点为投影点。
有(1)满足要求因为只有这样才符合投影模型深度才为正。将解出来的解带入验算即可。 2.1.3 本质矩阵调整
5个自由度用了8个点上边的方程求解出的 E E E 可能不满足 E E E 的内在性质( ∑ d i a g ( δ , δ , 0 ) \boldsymbol {\sum diag(\delta,\delta,0)} ∑diag(δ,δ,0) )因此要调整。做法如下 在做SVD分解时得到 ∑ d i a g ( δ 1 , δ 2 , δ 3 ) ⇓ 设 δ 1 ≥ δ 2 ≥ δ 3 则新的 ∑ 如下 ∑ ′ d i a g ( δ 1 δ 2 2 , δ 1 δ 2 2 , 0 ) ⇓ 带入 S V D 分解式 E U d i a g ( δ 1 δ 2 2 , δ 1 δ 2 2 , 0 ) V T \sum diag(\delta_1,\delta_2,\delta_3) \\\;\\\Downarrow 设\delta_1\ge\delta_2\ge\delta_3则新的\sum如下\\\; \\\sum diag(\frac{\delta_1\delta_2}{2}, \frac{\delta_1\delta_2}{2},0)\\\; \\\Downarrow 带入SVD分解式\\\; \\EUdiag(\frac{\delta_1\delta_2}{2}, \frac{\delta_1\delta_2}{2},0)V^T ∑diag(δ1,δ2,δ3)⇓设δ1≥δ2≥δ3则新的∑如下∑′diag(2δ1δ2,2δ1δ2,0)⇓带入SVD分解式EUdiag(2δ1δ2,2δ1δ2,0)VT
相当于把求出来的矩阵投影到了 E \boldsymbol E E 的流形上也可以直接取 ∑ ( 1 , 1 , 0 ) \sum (1,1,0) ∑(1,1,0) (尺度不变性)
2.1.3 遗留问题 E \boldsymbol E E 的尺度不确定性导致了 t \boldsymbol {t} t 的尺度不确定性。(由于 R \boldsymbol R R) 自身带有约束。因此单目SLAM存在初始化 以 t \boldsymbol t t 的单位为固定尺度1的计算相机运动和特征点单目初始化不能只有纯旋转必须要有一定的平移 因为 t \boldsymbol t t 为0所以 E \boldsymbol E E 最终也为0;当点多于8对此时构成超定方程我们有两种做法 3.1. 最小化一个二次型(最小二乘意义下的)3.2. 随机采样一致性(RANSAC)可以处理有错误匹配的情况一般用这个。 2.2 单应矩阵特别提一下
为什么需要单应矩阵 H H H (Homography)
当特征点共面相机纯旋转 F \boldsymbol F F 的自由度少了 t t t 下降。这就是退化现象。如果这时仍用八点法求解多出来的自由度是噪声带来的。为了避免退化同时估计基础矩阵 F \boldsymbol F F 和 单应矩阵 H \boldsymbol H H选择重投影误差小的矩阵作为最终运动估计矩阵。
故 H H H 假设的所有特征点位于平面上。
详细推导内容见SLAM十四讲7.3.3 。根据法平面做的求解与 E 和 F E和F E和F 相似。只需要4对匹配点就可以算出。
2.3 三角测量(Triangulation)—深度信息 计算深度回想相机模型那一节这里的深度就是之前被我们固定为1的 s \boldsymbol s s 。以第一帧图像为坐标原点由以上对极约束内容有 s 1 x 1 s 2 R x 2 t ⇓ 分别单独计算左乘 x 1 的反对称矩阵 s_1x_1 s_2Rx_2t \\\; \\\Downarrow 分别单独计算左乘x_1的反对称矩阵 s1x1s2Rx2t⇓分别单独计算左乘x1的反对称矩阵 s 1 ( x 1 \qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad s_1(x_1 s1(x1^ ) x 1 0 s 2 ( x 1 )x_10s_2(x_1 )x10s2(x1 ^ ) R x 2 ( x 1 )\;Rx_2(x_1 )Rx2(x1 ^ ) t )t )t 可以直接求得深度 s 1 , s 2 \boldsymbol {s_1,s_2} s1,s2 。但是由于噪声的存在我们一般是求最小二乘解而不是零解。同样由于尺度不确定性我们只知道深度对于t的数量而不知道具体究竟是多少米。 三角化矛盾 平移越大三角化越精确但是视野越短反之亦然。
