位姿估计 | SVO 论文与代码分析分讲

最新推荐文章于 2024-09-10 16:34:11 发布

qq_43525734

最新推荐文章于 2024-09-10 16:34:11 发布

阅读量722

点赞数

CC 4.0 BY-SA版权

分类专栏：技术文章论文文章标签：位姿估计 SVO SLAM 小觅双目相机小觅智能

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。

本文链接：https://blog.youkuaiyun.com/qq_43525734/article/details/90712468

本文深入解析SVO论文中位姿估计的方法，包括稀疏图像对齐和特征对齐。稀疏图像对齐采用4x4 patch的光度误差损失函数，通过逆向组合优化获取初步位姿。特征对齐则利用逆向组合光流和8x8 patch进行亚像素级匹配，提高精度。最后，通过位姿和结构优化进行全局和局部BA，确保系统稳定性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

位姿估计
代码主框架在 FrameHandlerMono::processFrame()。
稀疏图像对齐（直接法）
代码主要在 SparseImgAlign。
在这里插入图片描述
使用稀疏直接法计算两帧之间的初始相机位姿T_cur_from_ref：根据last_frame_的特征点和last_frame_与new_frame_的相对位姿，建立损失函数（两帧之间稀疏的 4x4 的 patch 的光度误差）SparseImgAlign::computeResiduals，使用 G-N 优化算法获得两帧之间的位姿变换，没有特征匹配过程，效率较高。
在这里插入图片描述
其中，

patch 选取了 4x4 的大小，忽略 patch 的变形，并且没有做仿射变换（affine warp），加快了计算速度
在几个图像金字塔层之间迭代优化，从金字塔的最顶层（默认是第五层klt_max_level）逐层计算（默认计算到第 3 层klt_min_level）
广泛使用指针，比直接取值速度更快
逆向组合(inverse compositional)算法，预先计算雅克比矩阵precomputeReferencePatches，节省计算量
几处双线性插值方法对提高精度有帮助

最后，cur_frame_-&g

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

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。