LVI-SAM学习笔记2：相机模型

最新推荐文章于 2025-12-03 10:01:15 发布
原创 最新推荐文章于 2025-12-03 10:01:15 发布 · 411 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习 #计算机视觉 #人工智能

本文深入探讨了针孔相机模型，解释了如何从世界坐标系通过相机内参还原到像素坐标，并详细阐述了路标点的畸变模型，包括径向畸变和切向畸变的计算过程。通过对畸变后的点进行投影，可以理解实际像素坐标是如何形成的。这篇内容适合对计算机视觉和图像处理感兴趣的读者。

本文参考知乎Alvin一路向东的《由粗到精学习LVI-SAM》专栏

图片截图自参考链接：Alvin一路向东

1. 针孔相机模型

在这里插入图片描述
u和v是观测值，z始终为1，我们可以认为这是由于单目相机丢失了路标点P的深度信息，通过像素坐标和相机内参，我们只能还原回P在归一化平面上的投影坐标[X/Z,Y/Z,1]。

2.畸变模型

在这里插入图片描述
路标点从世界坐标系到像素坐标系转化的过程：
点从世界坐标系→相机坐标系→归一化平面
对归一化平面上的点计算径向畸变和切向畸变：
在这里插入图片描述
畸变后的点投影到像素平面，得到像素坐标：
在这里插入图片描述

论文笔记_S2D.66_ICRA_2021_LVI-SAM: 紧耦合的激光视觉惯导SLAM系统
惊鸿一博
04-22 4843
https://github.com/TixiaoShan/LVI-SAM
《论文阅读》LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping
未知丶的博客
08-09 930
留个笔记自用 LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping 做什么 Monocular Visual Odometry单目视觉里程计 相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可
LVI-SAM学习笔记
yijaiwei的博客
04-18 2971
该框架由两个关键子系统组成：视觉-惯性系统（VIS）和激光雷达-惯性系统（LIS）。视觉惯性系统处理图像和 IMU 测量值，激光雷达测量值为可选项。视觉里程测量是通过最小化视觉和 IMU 测量的联合残差获得。LIS 可提取激光雷达特征，通过将提取的特征与特征图匹配来进行激光雷达测距。特征图以滑动窗口方式进行维护，以实现实时性能。最后，状态估计问题可表述为最大后验（MAP）问题，使用iSAM2通过在因子图中联合优化 IMU 预集成约束、视觉里程测量约束、激光雷达里程测量约束和闭环约束的贡献来解决。
LVI-SAM：激光-IMU-相机紧耦合建图
人无远虑，必有近忧
07-17 3586
摘要：我们提出了一个通过平滑和建图实现激光-视觉-惯性里程计的紧耦合框架LVI-SAM，其实现了高精度和鲁棒性的实时状态估计和地图构建。LVI-SAM采用因子图，由两个子系统组成：一个视觉惯性系统VIS和一个激光雷达惯性系统LIS。这两个子系统以紧耦合的方式，其中VIS利用LIS的估计进行初始化。利用激光雷达测量方法提取视觉特征的深度信息，提高了VIS的精度。反过来，LIS利用VIS对位姿进行估计，并作为点云配准的初始值。首先由VIS进行闭环检测，再由LIS进一步细化。当两个子系统中的一个发生故障时，LVI
LVI-SAM：配置环境、安装测试、适配自己采集数据集
热门推荐
有待成长的小学生
07-26 2万+
LVI-SAM调试详细记录，包括环境配置、源码编译安装、运行示例程序及如何适配自己传感器数据
【SLAM】LVI-SAM解析——综述
iwanderu的博客
07-27 9012
LVI-SAM可以认为是LIO-SAM和VINS-MONO的合体，在此基础上的修改不大。githubpaperLVI-SAM这个注释版代码中一些关于坐标系的注释我认为是有错误的，大家擦亮眼睛。和我也分别写过比较详细的代码解析，详情见链接。.........
LVI-SAM学习笔记1：激光雷达点云去畸变原理
JaydenQ的博客
05-05 2576
本文参考知乎Alvin一路向东的《由粗到精学习LVI-SAM》专栏 1.为什么会产生畸变 与相机不同，相机的曝光时间都很短，每一帧之间的时间间隔很短，而且上一帧最后一个像素与当前帧第一个像素也没有连续关系，通常不考虑运动畸变。而激光雷达不同，激光雷达形成一帧点云，至少需要激光从一侧扫描到另一侧若干遍，而且激光雷达每一帧形成的时间都比较长，因此此过程中位姿变化也比较大，导致出现的点云与真实世界中差别很大，所以需要点云去畸变。 2.点云去畸变原理 上一帧点云的最后一个点就是当前帧点云的第一个点，这是点云去畸变的
【LVI-SAM代码学习记录】
xjblalala的博客
11-10 2819
多传感器融合源码LVI-SAM的代码阅读笔记
激光雷达SLAM学习笔记
qq_59860384的博客
05-05 1509
学习多传感器融合，这篇文章以初学者的视角简介了SLAM和激光雷达，并着重学习LOAM论文。
ROS-3DSLAM（6）：VINS-Mono论文阅读1
m0_49088083的博客
11-05 536
2021@SDUSC 2021年11月3日星期三——2021年11月5日星期五 一、学习背景： 在对LVI-SAM包下的视觉部分进行分析的过程中，我遇到了严重的困难。经过仔细地分析，我觉得是因为我对于视觉部分的理论基础了解的还不够详尽，因此有必要先停下脚步，阅读这部分的基础论文VINS-Mono来增强稳固自己的基础知识。 二、论文概要： 文章介绍了一种处理imu和摄像机组成的单目视觉惯性系统的数据的方法：VINS-Mono。 文章指出，这种方法利用了imu预积分和特征提取观测数据，基于紧耦合和非线性优化的方
LVI-SAM论文重点总结
weixin_51326570的博客
08-01 2770
LVI-SAM构建在因子图之上：视觉惯导系统 、 激光惯导系统 视觉惯导系统：利用激光惯导的估计来做初始化、利用激光的测量得到精度更高的深度信息 激光惯导系统：利用视觉惯导的初值来做帧间匹配、做回环检测 其中一个不工作时，另外一个可以正常工作 介绍 视觉惯导系统执行利用雷达帧恢复深度的视觉特征的跟踪，通过优化视觉重投影误差和imu测量误差的视觉里程计为激光雷达的激光匹配提供初值，并把约束加入到因子图中。 当利用imu把点云的畸变去除后，激光惯导系统检测点云的边缘和平面特征，并和保存在划窗中的fe
ROS-3DSLAM（二）lvi-sam项目认识
qq_38170211的博客
10-10 3755
2021SC@SDUSC （二）lvi-sam项目认识 一、SLAM简介 SLAM是Simultaneous Localization and Mapping（同时定位 + 建图）。 独立的定位问题是建立在地图已知的情况下的，单独的建图问题也是建立在定位已知的情况下的。当机器人不能得到环境地图，也不知道自身位姿的时候，SLAM问题就出现了。也就是说SLAM要同时的进行机器人定位和建图，这个问题比单独的定位和单独的建图都要难得多。 SLAM算法分为在线SLAM和全SLAM问题。 在线SLAM的代表是EFK S
LVI-SAM安装与测试
W_Tortoise的博客
04-23 1万+
1 介绍 就在昨天，LVI-SAM开源了，它是一个lidar-visual-inertial里程计和建图系统，在系统级别结合了LIO-SAM和Vins-Mono的优势。作者之前还开源了LeGO-LOAM和LIO-SAM，膜拜并致敬。 Github：https://github.com/TixiaoShan/LVI-SAM 论文：https://arxiv.org/abs/2104.10831 Demo： PS：上传这个gif真不容易，原始文件大小为12.5MB，经过一系列的裁剪，缩放，压缩操作，变成4.7
LVI-SAM 在香港城市数据集UrbanNav的效果
m0_47096428的博客
07-06 4558
数据集链接:https://github.com/weisongwen/UrbanNavDataset 实验步骤: 1. 编译lvi sam 2. 调整config/ 中相机内参,雷达,以及外参参数 3. rosbag run起来 4. 结果 从直观感受,lvi和lio-sam成图效果没有明显区别,但是远好于vins-mono(论传感器的优越性),实际上,vins-mono在这一段数据会出现错误的回环检测,从而造成定位失效 图1 LIO 效果图 但是,对于细节的观察,与lio-sam相.
LVI-SAM学习笔记3：clear()和shrink_to_fit()函数
JaydenQ的博客
05-06 799
void freeCloudInfoMemory() { cloudInfo.startRingIndex.clear(); cloudInfo.startRingIndex.shrink_to_fit(); // 从原来最大容量减少到现在所需要的容量（释放数组的容量） cloudInfo.endRingIndex.clear(); cloudInfo.endRingIndex.shrink_to_fit(); ...
【AI学习-comfyUI学习-第十二节-FLUX局部重绘工作流-各个部分学习-第十二节】
qq_22146161的博客
12-02 737
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。加载图像这就是上传的那张桥墩照片没问题这也算各一个开始吧，我也在学习摸索中。
windows上位机开发学习（二）计时器案例（下） int大小
qq_43091070的博客
11-29 905
本文介绍了Windows上位机开发中计时器案例的代码实现过程。首先通过工具箱添加Timer控件并设置1秒间隔，然后详细讲解了核心代码：1)声明全局变量记录时间；2)实现"开始"按钮点击事件，解析用户输入并初始化计时器；3)编写Timer的Tick事件处理逻辑，每秒更新界面并判断倒计时结束。文章还展示了完成效果图，并附带单片机int类型大小对照表。最后提供了C#串口通信编程的学习参考网址，欢迎交流讨论。
C++基础：Stanford CS106L学习笔记 1 类型与结构
WM2101的博客
12-02 282
本文介绍了C++的类型系统和结构体特性。在类型系统方面，C++采用静态类型，变量类型一旦确定不可更改，与Python的动态类型形成对比。静态类型能提高效率并减少运行时错误。文章还介绍了using类型别名、auto类型推断以及函数重载等现代类型特性。在结构体方面，展示了如何定义和使用结构体，以及使用std::pair模板简化多值返回的实现方式。通过对比Python和C++的代码示例，突出了C++在类型安全性和编译时检查方面的优势。
【Prompt学习技能树地图】LangChain原理及应用操作指南
最新发布
致力于成为一名data scientist 的奋斗者
12-03 465
基础层主要解决两个核心问题：模型调用的统一化和数据存储的标准化。通过抽象接口设计，为上层应用提供了稳定、可预测的编程模型。表3.2：基础层核心组件概览组件类别核心功能解决的关键问题典型实现模型抽象统一模型调用接口屏蔽不同模型API差异存储抽象统一数据访问方式标准化各类存储系统操作文档处理多格式文档加载与转换统一文档处理流程PDF、HTML、Markdown解析接口规范定义标准化调用契约确保组件间兼容性BaseLLM、VectorStore接口。
实时高精度融合定位：LVI-SAM系统
"LVI-SAM：一种紧密耦合的激光雷达视觉惯性里程计方法，通过平滑和映射实现高精度实时状态估计和建图。由Tixiao Shan、Brendan Englot、Carlo Ratti和Daniela Rus提出的LVI-SAM框架基于因子图构建，包括两个子系统...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

JaydenQ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值