ORB-SLAM3特征点随机性问题的解决

最新推荐文章于 2024-11-05 23:29:15 发布

csdn_partonzhou

最新推荐文章于 2024-11-05 23:29:15 发布

阅读量660

点赞数 1

文章标签：算法 c++ 计算机视觉

原文链接：https://www.cnblogs.com/yiqian/p/14943948.html

版权

本文介绍了ORB-SLAM3在特征点提取过程中存在的随机性问题，以及如何通过改进排序方法来确保在同一图像和配置下，特征点提取结果的一致性，从而简化调试过程。核心在于修改DistributeOctTree()函数中的排序逻辑，以保证特征点分布的稳定性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

由ORB-SLAM3特征点随机性问题的解决 - 一只名为狗的猫 - 博客园 (cnblogs.com)转载

即使是在同一数据集的同一张图像上，在不同时刻运行ORB-SLAM3，提取的特征点位置或数量都会存在一定随机性。比如我们要在第0帧上提取10000个特征点，第一次运行时，系统提取了10002个，第二次运行可能就变成了10004个。虽然这种微小的差异不会对系统运行产生影响，但会给调试带来不便。我们希望，不同时刻运行时，特征点的结果都是稳定的，即对于同一图像和配置文件，Frame类的data member std::vector<cv::KeyPoint> mvKeys存储的特征点信息是不变的。

问题出在函数vector<cv::KeyPoint> ORBextractor::DistributeOctTree()中。这个函数将图像视作root node，将每个node分割成4个child node，不断迭代直到node的数量达到要求（比如10000）。之后从每个node中的fast角点里挑选出结果最好的那个，这样就保证了特征点的分布均匀。迭代中会对node按照包含角点的数量进行一次升序排序：

sort(vPrevSizeAndPointerToNode.begin(), vPrevSizeAndPointerToNode.end());

如果某些node包含相同数量的角点，那么每次排序的结果都会出现一定差异。通俗些，大家都有x个角点，按照数量排序，这次你在前，他在后，下次就是他在前，你在后。这种差异就导致了后续分割结果的随机性。解决这个问题也很容易，我们再写一个cmp()函数指定排序方法：

bool cmp( pair<int,ExtractorNode*>& a, pair<int,ExtractorNode*>& b)
{
    return a.first < b.first;
}

修改被调用的sort()函数为：

sort(vPrevSizeAndPointerToNode.begin(), vPrevSizeAndPointerToNode.end(), cmp);

这样就保证了特征点提取结果的稳定，也方便后面的调试。