[学习笔记-SLAM篇]视觉SLAM十四讲ch7

本文链接：https://blog.youkuaiyun.com/warningm_dm/article/details/118250072

本文详细介绍了视觉SLAM中的关键实践技术，包括特征点法（如SIFT、SURF、ORB）及其匹配，2D-2D对极几何的理论与应用，三角测量方法，PnP问题的解决策略（如P3P、DLT、BA），以及ICP算法在位姿估计中的应用。内容涵盖了从匹配点的汉明距离计算到相机位姿的非线性优化等多个方面。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前面的内容基本都是基础内容，从第7讲开始变为实践应用，其实就是具体在SLAM中是如何完成各线程内容的。
按理说是实践部分，但还是坚持不实践呢。

2022-08，来更新一下。

注：
1）学习视频：【高翔】视觉SLAM十四讲 ch7-1，【高翔】视觉SLAM十四讲 ch7-2。

第7讲

7-8讲均是视觉里程计的内容，主要区别在于前端原理不同，分别对应特征点法和直接法。
此外计算相机的运动，依据点的关系不同，采用不同方法。
2D-2D：对极几何；3D-3D：ICP；2D-3D：PnP。

1）特征点法

特征点由关键点和描述子组成。关键点提供位置、大小、朝向、评分等信息，描述子提供关键点周围像素信息；
常用特征点有SIFT、SURF、ORB，描述精度依次下降，运行时长依次减少；
ORB特征点：由改进FAST角点和BRIEF描述子组成。原始FAST角点无方向性，简单来说就是判断一个像素 $p$ 周围半径为3的圆上16个像素中是否有连续N个像素灰度大于/小于某阈值。改进FAST增加了尺度和方向描述：1）构建图像金字塔解决尺度问题（图像放大或缩小后同一角点无法被确认）；2）利用灰度质心法得到方向向量（描述图像梯度指向）。原始BRIEF同样无方向信息，简单来说就是判断关键点周围X个点对的大小关系并表示为0或1。点对比较规则可以自己设定，随机或固定pattern。改进BRIEF增加上一步的方向信息，计算旋转后的Steer BRIEF信息；
ORB特征匹配：简单来说就是判断2个ORB特征的BRIEF描述子的汉明距离（汉明距离就是所有二进制描述子异或的累加）；
特征匹配：解决SLAM中数据关联问题。一般有暴力匹配（全遍历）、快速近似最近邻（FLANN）等；

2）2D-2D对极几何

已知2张图像上的匹配点2D坐标，内参K ---> 求解2相机间R，t ---> 三角化求相机系下地标点3D坐标

【第一步，确定约束关系】：对于2张图像，若含有一对成功匹配的点 $p_1$ 、 $p_2$ ，则它们为同一空间点 $P$ 在两个成像平面上的投影。则一系列推导（主要涉及空间点和相机间内参、2相机间变换外参）后可以得到对极约束， $\pmb{x}^T_2\pmb{t}\ \hat{}\pmb{R}\pmb{x}_1=0$ （有其他形式，一种是代入内参的，一种是含有基础矩阵 $\pmb{F}$ 的，一种是含有本质矩阵 $\pmb{E}$ 的），几何意义是空间点和2相机光心共面；
【第二步，判断特征点关系】：判断特征点是否共面，若共面用单应矩阵 $\pmb{H}$ 恢复