slam学习(3)

SLAM是由“定位”（Localization)和“建图”（Mapping)两部分构成的。现在来看定位问题。要求解机器人的运动，首先要解决这样一个问题：给定了两个图像，如何知道图像的运动关系呢？

假如有两帧数据，目的是求出一个旋转矩阵RR和位移矢量tt，这个问题可以用经典的ICP算法求解。其核心是奇异值分解(SVD)。OpenCV中的函数就可以求解此问题，不了解原理细节的话，可以直接使用opencv。那么从这个数学问题上来讲，我们的关键就是要获取一组一一对应的空间点，这可以通过图像的特征匹配来完成

【特征提取】

要在一个图像里提取特征，第一步是计算“关键点”，然后，针对这些关键点周围的像素，计算其“描述子”。在OpenCV中，分别由cv::FeatureDetector和cv::DescriptorExtractor来计算。在 keypoint 上计算描述子。描述子是一个cv::Mat的矩阵结构，它的每一行代表一个对应于Keypoint的特征向量。当两个keypoint的描述子越相似，说明这两个关键点也就越相似。我们正是通过这种相似性来检测图像之间的运动的。

【特征匹配】

　　我们对上述的描述子进行匹配。在OpenCV中，你需要选择一个匹配算法，例如粗暴式（bruteforce），近似最近邻（Fast Library for Approximate Nearest Neighbour, FLANN）等等。这里我们构建一个FLANN的匹配算法

有了匹配后，可以用drawMatch函数画出匹配的结果：

 

 

 

 

 

 

 

 

 

　　不管如何说，仅靠描述子的匹配似乎是太多了些，把许多不相似的东西也匹配起来了。(由于这两个图像只有水平旋转，所以水平的匹配线才是对的，其他的都是误匹配）。因此，需要筛选一下这些匹配，例如，把distance太大的给去掉（源文件69到88行）。

　　筛选的准则是：去掉大于最小距离四倍的匹配，是高人的经验值

 

 

 

 

 

 

 

 

 

 

 

　　筛选之后，匹配就少了许多了，图像看起来也比较干净。

【求解PnP】

　　求解PnP的核心是调用OpenCV里的SolvePnPRansac函数。该函数的接口如下（来自OpenCV在线API）：

　　可以看到，这个函数需要输入一组匹配好的三维点: objectPoints 和一组二维图像点: imagePoints. 返回的结果是旋转向量 rvec 和平移向量tvec。其他的都是算法中的参数。因此，我们需要想办法构建这两组输入点，它们实际上就是从goodmatches里抽取来的。

　　由于我们已经提取了KeyPoint，知道了它们的像素坐标。那么，利用上一节提供的库函数，就可以直接转到三维点啦。

求解完成后，rvec和tvec就含有了位移和旋转的信息，至此，我们已经成功地计算出两个图像的运动啦！

转载http://www.cnblogs.com/gaoxiang12/p/4659805.html