1
简介
VO(Visual Odometry)视觉里程计是通过车载摄像头或移动机器人的运动所引起的图像的变化,以逐步估计车辆姿态的过程。
前提假设
1, 环境照明充足
2, 静态场景相对动态场景较多
3, 有足够的纹理来提取明显的运动
4, 连续帧之间有足够的场景是重叠的
2
VO ,VSLAM,SFM对比
VO vs SFM
VO vs Visual SLAM
3
VO工作原理
计算相对运动
恢复两帧之间的运动轨迹
对m个姿态进行优化,局部优化轨迹(使用姿态图或捆集调整BA)
4
如何估计相对运动?
Direct Image Alignment:有稠密,半稠密,稀疏三种方法,求像素的灰度值差最小化。
稀疏法-基于特征点的方法
优点
缺点
直接法
最小化灰度误差
优点
缺点
2D-to-2D
图像特征对应的运动
3D-to-2D
三维结构运动与图像的对应
3D-to-3D
三维点对应运动(点云配准)
5
VO模块流程
Coner vs Blob
角点定义为一条或多条边的交点。
一个Blob是图像块,它不是一个角,并在强度和质地上明显不同于它的相邻像素。
6
资料汇总
VO (i.e., no loop closing)
VIO
VSLAM
Open Source Optimiation Tools
如有补充请大家积极留言,并且希望大家能够在阅读论文或者有推荐的论文或者开源代码,只要和点云相关,都可以留言给群主,如果有必要将会出与你推荐相关的资料。希望大家能够积极参与分享。