DMO：使用点线特征的单目直接视觉里程计
跟踪：
跟踪过程中深度图与参考帧假设不变。当前帧的位姿由光度观测模型和edge位置观测进行对齐，利用光度误差和线的重投影误差构造最小二乘：
其中线重投影误差的不确定度为：
方程可用高斯牛顿法解算，扰动量设置为：
线方程可以用两个端点表示：
Mapping：
Mapping过程中位姿假设不变。通过代价函数优化深度：
对于没有匹配边缘的像素或边缘上没有匹配边缘的像素，通过最小化SSD误差对立体匹配像素进行彻底搜索。对已匹配的edge，在另一帧上，重投影点应该在在匹配的线以及epipolar线上。之后用三角化计算所有像素点的深度值。
如果两帧间的旋转和平移矩阵已知，则3D线可以由两个重投影面的交线表示：
由于epipolar线和投影线都有位置误差，这会导致重投影的点具有不一致性误差：
不一致性误差的方差为：
利用反深度d与视差成正比的近似，我们可以用方程计算d的观测方差，然后用标准的EKF滤波来更新像素的深度方差。
由于三维点是从同一2d边向后投影的，它们应该位于射影几何的同一平面g上，我们可以创建另一个坐标系f，它的x；Y轴位于平面G上。新坐标系上的变换点表示为p0。我们首先使用RANSAC选择一组Inlier2d点。RANSAC的度量是Mahalanobis距离，它是一个加权像素到线的欧氏距离，考虑到不确定性：
RANSAC后，我们可以找到最大的一致点集。这成为一个2d加权线拟合问题，我们想找到最佳线L：
将所有的点坐标堆到一起成为矩阵[X,Y]，线模型可以表示为：
可以到的高斯噪声下优化后的线：
然后，我们可以将坐标帧f中的最优线l转换回原来的摄像机光学帧，并确定线上的像素深度。
DMO：使用点线特征的单目直接视觉里程计相关推荐
- 《第7讲 视觉里程计1 》上 7.1~7.6单目模型 读书笔记
本文是<视觉SLAM十四讲>第7讲的个人读书笔记,为防止后期记忆遗忘写的. 本讲关注基于特征点 方式的视觉里程计算法.我们将介绍什么是特征点,如何提取和匹配特征点,以及如何根 据配对的特征 ...
- 视觉SLAM⑦---视觉里程计Ⅰ(特征点法、2D-2D对极几何)
目录 7.0 本章主要目标 7.1 特征点法 7.1.1 特征点 7.1.2 ORB特征 7.1.3 特征匹配 7.2 实践:特征提取和匹配 7.2.1 OpenCV的ORB特征 7.2.2 手写OR ...
- 单目纯视觉避障方案——2020中国机器人大赛FIRA避障仿真组决赛代码开源
单目纯视觉避障方案--2020中国机器人大赛FIRA避障仿真组决赛代码开源 目录 单目纯视觉避障方案--2020中国机器人大赛FIRA避障仿真组决赛代码开源 比赛环境介绍 赛题要求 比赛思路 该方案的 ...
- 【视觉SLAM十四讲】视觉里程计—特征点法
本文为视觉 SLAM 学习笔记,讲解视觉里程计中的特征点法. 本讲内容概要 图像特征的意义,在单幅及多幅图像中提取特征点. 对极几何的原理,利用对极几何的约束恢复图像间相机的三维运动 PnP 问题,利 ...
- svo： semi-direct visual odometry 半直接视觉里程计 fast角点匹配 光流匹配 单应变换求位姿 直接法求解位姿 高斯均匀分布混合深度滤波
svo: semi-direct visual odometry 半直接视觉里程计 本博文github地址 svo代码注释 SVO代码分析 较细致 svo: semi-direct visual od ...
- 视觉SLAM十四讲学习笔记-第七讲-视觉里程计-特征点法和特征提取和匹配实践
专栏系列文章如下: 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习 ...
- 视觉里程计：特征点法之ORB特征点
VO的核心问题在于根据图像信息估计相机的运动轨迹 .通常从图像中选取具有代表性的点,并当相机运动后,从不同的图像中找到对应的相同点,从而确定相机位姿估计问题.在经典SLAM模型中,称这种点为路标,而在 ...
- Line and Plane based Visual Odometry（基于线和平面的视觉里程计）
1.Line and Plane based Visual Odometry 基于线和平面的视觉里程计 采用SO(3)流形约束平均偏移算法对结构规则(Manhattan frame)进行跟踪,得到无漂 ...
- 视觉SLAM14讲——视觉里程计1（特征点法）
前面说过视觉SLAM系统分为前端和后端两个内容,前端也叫做视觉里程计.视觉里程计的主要作用是根据相邻的两张图像的信息粗略的估计出相机运动,给后端一个较好的初始值.视觉里程计的两大算法为:特征点法和直接 ...
最新文章
- 巧用CSS的Glow滤镜
- NFS企业级网络文件共享
- 闽南科技学院计算机分数线,2015年闽南科技学院美术专业录取分数线
- 返回值类型有哪些_关于类型的思考
- JavaCodeTra 猴子选猴王 约瑟夫循环
- Java面试集合（二）
- 机器学习：贝叶斯分类器，朴素贝叶斯，拉普拉斯平滑
- 《Ext详解与实践》节选:自定义单元格的显示格式
- .NET面试题系列（七）IIS
- Clojure Project 工程文件分析
- Golang sync.Once 简介与用法
- JavaWeb — session+Cookie
- Hibernate 笔记5 load和get方法的区别
- 梦笔记2022-02-28
- 课程设计题二：7人多数表决器
- 【20211005】Praat 基本用法
- 人工智能/数据科学比赛汇总 2019.7
- 牛年新生儿取名：用诗经给男宝宝起名字
- C语言基础之5：运算符、表达式和语句
- 数字化转型：为何数字化？如何数字化转型？