发布网友 发布时间:2022-09-27 01:21
共1个回答
热心网友 时间:2023-10-05 13:53
[1] ORBSLAM2 source code
初始化特征匹配
找候选匹配点函数,为什么要用网格呢,如果一个网格内没有特征点,直接跳过去,加速搜索。
连续2帧特征点的数量都大于100才进行初始化。
[1] ORBSLAM2 source code
找最优和次优的逻辑:
这个BUG导致删除误差的能力下降了
筛选出在旋转角度差落在在直方图区间内数量最多的前三个bin的索引
阈值变大了,单个bin本来是12度,现在变为30度,比如说大部分都是12度以内,但是有的是20度,应该把他们删除,但是如果单个bin是30度的话,那就无法删除,这样弱化了对角度差过大的匹配的删除。
暴力匹配,那么重复怎么办?把之前的匹配不要了,当前的匹配放进去
[1] ORBSLAM2 source code
[2] 复习SVD分解
[3] 解Ax=b
为什么要对数据进行归一化?
对于不是很好的条件问题,数据归一化很重要,比如基础矩阵F直接线性变换DLT的计算方法。(如下说明)
归一化操作、归一化函数
一阶距、一阶绝对距
这个式子自己展开下,就是和上面计算的过程一模一样。
就是V^T的最后一行(也就是第9个奇异向量)变成3X3求解的H矩阵。
U是左奇异向量,是一个8X8的矩阵
V^T是右奇异向量,是一个9X9的矩阵
w是奇异值矩阵,奇异值在对角线上,是一个8X9对角矩阵
奇异值是按照从大到小的顺序排的
为什么要对图像坐标进行归一化:能够提高运算结果的精度。
:均值
偏离程度的均值
// 归一化
// 去归一化
// RANSAC 随机采样
我们知道他的奇异值的维度是9(因为是要求9个未知量),但是为什么是第9个呢,咋们怎么知道他的奇异值个数呢。正交矩阵是方阵,所以是第九个。
为什么ATA的特征向量就是VT的特征向量?这个怎么看的?有什么数学推理吗?还有想问下这个回答好像没有回答为什么V的第9个奇异向量是最优解这个问答?
[1] ORBSLAM2 source code
极线
对每一对点正向反向进行计算点到线的距离,误差在允许范围内就累加得分。误差越大,得分越低。然后选择一个最高得分的单应矩阵。
[1] ORBSLAM2 source code
[2] [ORB-SLAM2]卡方分布(Chi-squared)外点(outlier)剔除(说的太好了)
LocalMapping.cpp
不同的金字塔层级,重投影误差都用同一个相同的阈值不合理,因为每层金字塔,他的不确定是不一样的,用协方差对误差进行归一化,也就是去量纲了。接下来就是阈值的设定。
在概率论和数理统计中,k个自由度的卡方分布为k个互相独立服从标准正态的随机变量的平方和。卡方分布的自由度即为向量的维度。
因为是计算的是点到线的距离
这是基础矩阵的重要性质。因为F求不出尺度,尺度等价性。
正交阵<==>A的转置等于A的逆。
正定阵:x^Tx > 0,x是一个非0向量
对角矩阵:(diagonal matrix)是一个主对角线之外的元素皆为0的矩阵,常写为diag(a1,a2,...,an) 。
自由度为2,服从高斯分布,出现的概率超过95%时对应的卡方分布的值,如果小于这个值的话,那就是内点。
H的话是重投影,自由度是2。
F的话是计算点到极线的距离,自由度是1,维度降低了。
不同的金字塔层级,重投影误差都用同一个相同的阈值不合理,因为每层金字塔,他的不确定是不一样的,用协方差对误差进行归一化,也就是去量纲了。接下来就是阈值的设定。使用卡方分布进行设定。
[!问题已提出][w1]11.通俗易懂理解单目初始化单应矩阵归一化及DLT计算原理
[1] ORBSLAM2 source code
通过H恢复R,t需要看吗?作者说不用看。不是重点。
CheckRT很关键的一个函数(很值得学习):
三角化的分析看 第6讲 视觉前端(切题 Done)这个理解思路会更好。
取的是前4行的值,用第4个元素进行归一化 或者说用取的是前3行的值,用第3个元素进行归一化,有点奇怪?
VINS也是这样的,没问题。就是把第四维弄成1。
(1)三角化的特征点的x,y,z坐标是否无穷大
(2)夹角小于0.36度认为不好
(3)2帧中重投影误差是否太大。
(4)看下good点的数量。找good点最多的,并且good点要足够突出(second good < 0.75* good)等
, 为深度值, 为相机归一化坐标, 是投影矩阵 , 是点在世界坐标系下的坐标.
取第三行, , 所以
[1] ORBSLAM2 source code
F矩阵分解得到4组解,如何选择最好的呢?看每一种有效3D点的个数。看哪一种大于阈值0.7 * maxGood并且只有他一个。然后看下视差是否大于最小视差来判断最佳位姿。
H矩阵分解是几组解呢?8组解。看下good点的数量。找good点最多的,并且good点要足够突出(second good < 0.75* good)等
[1] ORBSLAM2 source code
[1] ORBSLAM2 source code
[2] 通俗易懂理解KeyFrame类问题 要点(切题 Done)
对当前帧和所有地图点进行尺度归一化。