SVO(稀疏直接视觉里程计)论文解析

SVO结合特征点法与直接法,用于姿态估计和深度估计。它包括Frame-to-frame位姿估计、Frame-to-Map光流跟踪及BA优化。在位姿估计中,通过直接法进行粗略估计并利用高斯牛顿法优化。深度估计采用高斯-均匀混合分布的逆深度滤波器。SVO不包含SLAM的后端优化和回环检测,但因其计算量小、速度快而被广泛研究。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

SVO是种半直接法:结合特征点法和直接法,先跟踪特征点,然后利用直接法根据关键点周围的4*4小块进行块匹配,估计相机位姿。

优点:计算量小,速度快

缺点:不是SLAM,舍弃了后端优化和回环检测。

基本流程分为两个线程:Motion Estimated 和 Mapping 

Motion Estimated 分为三部分:1)Frame-to-frame 的粗略位姿估计  2)光流跟踪 Feature Alignment优化匹配关系  3)BA优化

Mapping主要是深度估计,深度滤波器的提出是本文主要亮点,并推到了基于均匀-高斯混合分布的深度滤波器。


姿态估计

初始化:假设前两帧所有特征点在同一平面,先估计单应性矩阵H,然后三角化估计初始化特征点深度。

SVO中的motion estimation简单概括为:

1、利用相邻两帧之间的稀疏特征块,使用direct method 配准,获取粗略的frame-to-frame相机位姿

2、通过上步骤中粗略的相机位姿预测参考帧中特征块在当前帧的位置,但和真实位置有误差(深度估计不准确导致上步骤位姿偏差),牛顿高斯迭代法对特征块预测位置进行优化。

3、利用步骤2优化的特征块预测位置,再使用直接法对相机位姿进行优化。

1. Frame-to-frame 的粗略位姿估计

已知:假设的相邻帧位姿T(k-1)(先初始化为上一帧或单位矩阵),k-1帧观测量:特征点2D投影位置及其深度

目标:利用直接法最小化图像块重投影误差来获取当前帧位姿T(k),其中,红色的为位姿,即优化变

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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