0
点赞
收藏
分享

微信扫一扫

第八讲-视觉里程计2

眸晓 2022-03-16 阅读 74

本章说

  题头诗:

  第八讲主要介绍光流法和直接法,光流法仅仅给出两幅图之间的特征点匹配结果;而直接法是图像级的优化,给出两幅图之间的相对位姿变换

讲内容

光流法(LK光流)

前提假设:随相机位姿的变换,对应点的灰度不变假设

具体实现:

  1. 首先依照特征点找寻方法找到特征点(例如角点)
  2. 然后选取角点附近某个大小的窗口,利用像素梯度迭代,找到窗口总光度误差最小的匹配点

原理说明:

对于LK光流,知道了目标函数怎么写,也就知道了具体的原理和代码实现:

m i n Δ x , Δ y ∣ ∣ I 1 ( x , y ) − I 2 ( x + Δ x , y + Δ y ) ∣ ∣ 2 2 min_{\Delta x,\Delta y}||I_1(x,y)-I_2(x+\Delta x,y+\Delta y) ||_2^2 minΔx,ΔyI1(x,y)I2(x+Δx,y+Δy)22

该目标函数的雅可比矩阵为在图2中在 x + Δ x , y + Δ y x+\Delta x,y+\Delta y x+Δx,y+Δy的像素梯度(可以直接用导数定义给出),该雅可比矩阵是1*2维的

直接法

区别:
光流法给出的是特征点匹配结果,还需要应用对极约束去计算相机相对运动,而直接法是将两步合二为一,内含假设是已知一点P在相机1下的空间位置 p 1 p_1 p1

原理说明:

目标函数仍然是光度误差,但是求导对象变成了相机相对运动位姿T

m i n T J ( T ) = ∑ e i T e , e i = I 1 ( p 1 , i ) − I 2 ( p 2 , i ) min_T J(T)=\sum e_i^Te, e_i = I_1(p_1,i)-I_2(p_2,i) minTJ(T)=eiTe,ei=I1(p1,i)I2(p2,i)

由于 p 2 = g ( f ( T , p 1 ) ) p_2 = g(f(T,p_1)) p2=g(f(T,p1)),通过链式法则可确定误差项关于T的导数,再应用非线性优化方法求解

举报

相关推荐

0 条评论