视觉SLAM14精讲——视觉里程计5.1

视觉SLAM14精讲

1. 三维空间刚体运动1.0
2. 三维空间刚体运动1.1
3. 三维空间刚体运动1.2
4. 李群与李代数2.1
5. 相机与图像3.1
6. 相机与图像3.2
7. 相机与图像3.3
8. 非线性优化4.1

第五章内容大纲

特征点

定义

特征点是指在图像中具有显著性和独特性的点。这些点通常具有较强的灰度变化、纹理信息或局部结构，并且在相邻区域中与其他点有所不同。特征点可以是图像的明显边缘、纹理区域、斑点等。它们用于描述和表示图像的关键信息，可以用于图像匹配、目标检测、姿态估计等计算机视觉任务。作者描述了设计角点的原则，总结为“重去低效”：
重：可重复性
去（区）：可区别性
低（地）：本地行，图像局部相关
效：数量远小于像素

一些例子

一些地方经常将角点和特征点的概念混用，实际上两者的定义是有区别的，不能直接等价。
‌角点‌： 角点是特征点的一种特殊类型，指的是在图像中具有明显角度变化的点。角点通常是两条边或曲线相交的位置，这些位置的灰度值在多个方向上都有显著变化。由于角点在不同方向上的梯度变化较大，它们在图像中具有独特性和区分性，常常被用作图像特征的重要组成部分‌

我们来看看一些常用的特征点：

1. SIFT（尺度不变特征变换）
   通过在图像的不同尺度上寻找稳定的关键点来检测特征点。

2. SURF（加速稳健特征）：
   与SIFT类似，通过在不同尺度上检测局部特征点来提取特征。

3. ORB（Oriented FAST and Rotated BRIEF）
   结合了FAST角点检测器和BRIEF描述符，具有旋转不变性和尺度不变性。ORB SLAM采用的特征点描述方法

4. Harris角点检测算法：
   通过计算图像中每个像素点的角点响应函数，找到具有明显角度变化的位置。

5. Shi-Tomasi角点检测算法：
   基于Harris算法的改进版本，选择最强的角点。

6. FAST角点检测算法：
   一种高速的角点检测算法，通过快速地检测像素周围的强度变化来定位角点。

7. BRIEF（Binary Robust Independent Elementary Features）：
   一种描述符算法，可以与角点检测算法结合使用来提取角点特征。VINS SLAM采用的特征点描述方法

匹配方法

由于特征匹配往往很耗时并需要大量计算量，ORB SLAM和VINS SLAM均采用词袋匹配。

2D-2D 对极几何

使用条件：已知图1中一特征点$p_1$和图2中一特征点$p_2$(或两个像素归一化平面坐标$x_1$，$x_2$)
目标：求本质矩阵E或基础矩阵F。E或F能解出R和t.

此外还有一个条件就是，对于两个焦距不同的相机，该方法ill-posed（不适用）。因为对极约束在求解的过程中隐含尺度等价性的过程，失去次条件会额外增加一个自由度。当时用不同的两个相机时，则需要额外求解这个尺度因子。

本质矩阵和基础矩阵

本质矩阵和基础矩阵通过对极几何联立R和t方程来定义
$p_2^T{K}^{-T}{t}^{\wedge }R{K}^{-1}{p}_1=0$
这里给出一个方便记忆的顺口溜儿：“ET尖儿（R）”，“FKEK”
$E=t^{\wedge }R$
$F=K^{-T}E{K}^{-1}$

求解过程

5点法：自由度：3旋转+3平移-1尺度可变性=5自由度。$t^{\wedge }R$有6个自由度
8点法：9旋转矩阵未知数-1尺度可变性