PNP（Perspective-n-points）是SLAM中估计位姿的重要方法。已知条件为路标点在相机1中的相机坐标以及投影到相机2中的像素坐标，据此去估计相机1、相机2间的位姿。主要解法包括DLT、P3P、EPNP

P3P

已知A、B、C在相机1坐标系下的坐标，以及在相机2对应的像素坐标，P3P可以根据三角形相似原理计算出在相机2中的相机坐标。
随后对相机1、相机2使用ICP算法即可求出相机间的位姿变换。

P3P存在的问题：
（1）只使用3对点，当匹配的点的数量大于3的时候，很难有效利用信息（RANSAC不行吗？）。
（2）如果3D-2D点间出现误匹配，则该算法失效。

DLT

DLT（direct line transform），构建路标点的世界坐标与归一化坐标间的方程，其中[R |t]包含12个变量，一组匹配点提供2对约束。因此需要6对3D-2D匹配点。通过SVD分解进行求解。

EPNP

需要4对不共面的（对于共面的情况只需要3对）3D-2D匹配点，是目前最有效的PnP求解方法。
在空间中寻找4个不共面的控制点，用他们的权重之和来表示空间中的任意3D点。
通常选取世界坐标下的四个控制点坐标为Cw=[0,0,0,1]T, [1,0,0,1]T,[0,1,0,1]T,[0,0,1,1]T。可以同时利用N个3D-2D点的匹配关系建立方程。通过计算控制点的相机坐标，线性组合出路标点的相机坐标。其中线性组合的权重通过一个误差约束（控制点在世界坐标中、相机坐标中的欧氏距离相等）获得。随后使用ICP算法求解出相机间的位姿变换。
EPNP最大的优势为：可以同时利用N对点的匹配信息，获得路标点的相机坐标。
在ORB_SLAM2中，使用RANSAC+EPNP算法求解出相机间的位姿变换。大致步骤是：使用RANSAC随机选取4组匹配点，然后使用EPNP求解相机位姿，随后计算内点数量。保存内点数量最多的时候对应的R，t。

视觉SLAM中PNP求解相关推荐

视觉SLAM中，本质矩阵、基础矩阵、单应性矩阵自由度和秩分析
视觉SLAM中,本质矩阵.基础矩阵.单应性矩阵自由度和秩分析 1.各个矩阵的自由度由于基础矩阵和本质矩阵都是由对极约束来的 1.1 本质矩阵E的自由度为5,秩为2 1.1.1 自由度: 首先,旋转和 ...
SVO: 视觉SLAM中特征点法与直接法结合
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达前面的话 VSLAM 是利用多视图几何理论,根据相机拍摄的图像信息 ...
SLAM | 视觉SLAM中特征点法与直接法结合：SVO
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达前面的话 VSLAM 是利用多视图几何理论,根据相机拍摄的图像信息对相机进行定位并同时构建周围环境地图 ...
OA-SLAM：在视觉SLAM中利用对象进行相机重新定位
作者 | 鱼肖浓编辑 | 汽车人原文链接:https://zhuanlan.zhihu.com/p/587010197 点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷 ...
SLAM | 视觉SLAM中的后端：后端优化算法与建图模板
点击上方"AI算法修炼营",选择加星标或"置顶" 标题以下,全是干货前面的话前面系列一中我们介绍了,VSLAM 是利用多视图几何理论,根据相机拍摄的图像信息 ...
视觉SLAM中的公制尺度（metric scale）
在很多视觉SLAM相关的文献中,都能看到一个词:metric scale,翻译为公制尺度.搜索这个词,得到的结果都是关于公制单位的. 其实在SLAM中公制尺度可以理解为"现实中的尺度&quo ...
视觉SLAM中的数学基础第三篇李群与李代数
转自:http://www.cnblogs.com/gaoxiang12/p/5137454.html 致敬原作者,请移步原作者博文详细浏览前言在SLAM中,除了表达3D旋转与位移之外,我们还要对 ...
视觉slam中的相机类型
作者:朱金灿来源:clever101的专栏为什么大多数人学不会人工智能编程?>>> 顾名思义,视觉 SLAM(又称 vSLAM)使用从相机和其他图像传感器采集的图像.视觉 S ...
视觉slam中的一种单目稠密建图方法
之所以只讲单目的稠密建图,这是因为,首先,对于RGBD图,我们已知所有点的深度,可以直接生成稠密的点云.其次,对于稀疏地图,其实很多VO中已经完成了稀疏地图的构建,但是稀疏地图只能用于定位,不能用于导 ...

视觉SLAM中PNP求解

P3P

DLT

EPNP

视觉SLAM中PNP求解相关推荐

最新文章

热门文章