从零实战SLAM-第八课(非特征点的视觉里程计)

在七月算法报的班,老师讲的蛮好。好记性不如烂笔头,关键内容还是记录一下吧,课程入口,感兴趣的同学可以学习一下。


特征点法流程:

1.在图像中提取特征点并计算特征描述 非常耗时约10ms ORB

2.在不同图像中寻找特征匹配 非常耗时𝑂(𝑛∧2) 暴力匹配

3.利用匹配点信息计算相机位姿 比较快速<1ms

是否可以不使用特征匹配计算VO?

光流法:最小化重投影误差 Reprojection error

直接法:最小化光度误差 Photometric error

光流: 追踪源图像某个点在其他图像中的运动。本质→估计像素在不同时刻图像中的运动。

光流法又分为两大类,每一类的计算方法也不同。

❑ 稀疏光流:计算部分像素运动 ---- Lucas Kanade

❑ 稠密光流:计算全部像素运动 ---- Horn Schunck

光流法的前提假说:灰度不变。

光流法的数学基础

光流法中的L-K方法

LK光流的结果依赖于图像梯度

❑ 但梯度不够平滑,可能剧烈变化

❑ 局部的梯度不能用于预测长期图像走向

解决方式:多层光流

光流法的总结:

➢ 可以看成最小化像素误差的非线性优化

➢ 每次使用了 Taylor 一阶近似,在离优化点较远时效果不佳,往往需要迭代多次

➢ 运动较大时要使用金字塔

➢ 可以用于跟踪图像中的稀疏关键点的运动轨迹

➢ 得到配对点后,后续计算与特征法VO中相同

光流法的缺点:

➢ 没有用到相机本身的几何结构

➢ 没有考虑到相机的旋转和图像的缩放

➢ 对于边界上的点,光流不好追踪

直接法:

通过相机模型对相机位姿变化进行估计

建立目标函数

计算过程

左扰动分解中三项的物理意义

根据使用的图像信息不同,可分为:

➢ 稀疏直接法:只处理稀疏角点或关键点

➢ 稠密直接法:使用所有像素

➢ 半稠密直接法:使用部分梯度明显的像素

直接法的直观解释:

➢ 像素灰度引导着优化的方向

➢ 要使优化成立,必须保证从初始估计到最优估计中间的梯度一直下降

➢ 这很容易受到图像非凸性的影响

直接法的优势与劣势

优势:

❑ 省略特征提取的时间

❑ 只需有像素梯度而不必是角点(对白墙等地方有较好效果)

❑ 可稠密或半稠密

劣势:

❑ 灰度不变难以满足(易受曝光和模糊影响)

❑ 单像素区分性差

❑ 图像非凸性

相关推荐
青松@FasterAI40 分钟前
【程序员 NLP 入门】词嵌入 - 上下文中的窗口大小是什么意思? (★小白必会版★)
人工智能·自然语言处理
AIGC大时代1 小时前
高效使用DeepSeek对“情境+ 对象 +问题“型课题进行开题!
数据库·人工智能·算法·aigc·智能写作·deepseek
硅谷秋水1 小时前
GAIA-2:用于自动驾驶的可控多视图生成世界模型
人工智能·机器学习·自动驾驶
偶尔微微一笑1 小时前
AI网络渗透kali应用(gptshell)
linux·人工智能·python·自然语言处理·编辑器
深度之眼1 小时前
2025时间序列都有哪些创新点可做——总结篇
人工智能·深度学习·机器学习·时间序列
晓数2 小时前
【硬核干货】JetBrains AI Assistant 干货笔记
人工智能·笔记·jetbrains·ai assistant
jndingxin2 小时前
OpenCV 图形API(60)颜色空间转换-----将图像从 YUV 色彩空间转换为 RGB 色彩空间函数YUV2RGB()
人工智能·opencv·计算机视觉
Sherlock Ma2 小时前
PDFMathTranslate:基于LLM的PDF文档翻译及双语对照的工具【使用教程】
人工智能·pytorch·语言模型·pdf·大模型·机器翻译·deepseek
知舟不叙2 小时前
OpenCV中的SIFT特征提取
人工智能·opencv·计算机视觉
kadog3 小时前
PubMed PDF下载 cloudpmc-viewer-pow逆向
前端·javascript·人工智能·爬虫·pdf