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

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:
  1. 以第一个图为参考系,投影方程:
  1. 使用归一化坐标(去掉内参):
  1. 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

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券