【阅读文献】单目视觉SLAM方法综述【2】~特征的检测与匹配
2.1 特征的检测与匹配
SLAM系统中,是以环境中的路标点为基础的。
单目视觉系统无法从单帧图像恢复深度。如何 利用图像特征检测与匹配获得高质量的路标,关系到单目视觉SLAM的鲁棒性。
图像特征可分为:点特征、直线特征、边缘、轮廓
相比于其他,点特征具有对遮挡相对鲁棒,识别性好,提取速度快。点特征的检测和匹配来实现SLAM数据关联。
2.1.1 角点特征
角点在保留图像重要特征时,可以有效减少信息数据量,使其信息含量很高,有效提高计算速度,有利于图像可靠匹配,有利于实时。
Harris角点:
- Harris角点是Harris在1988年提出的一种基于信号的点特征提取算子,前身是Moravec 算子。
- Harris角点使用自相关矩阵 改进了Moravex方法, 避免了使用离散的方向和偏移,它在窗口内使用高斯函数加权导数,取代了简单的求和。
- 如果自相关矩阵有2个较大的特征值就表示该店为检测到的特征点。
- 但其对亮度和对比度变化不敏感,具有旋转不变形,不具备尺度不变形。
Shi-Tomasi角点:
- Shi1994年 采用不同的响应函数来提取图像角点,其方式是如果2个特征值中较小的一个大于最小阈值,则判定为角点。
- Shi的角点判定 方法比较充分,很多情况下都比Harriss算法结果更好
FAST(features from accelerated segment test)角点:
- Rosten在2006年提出的一种简单快速的角点检测算法。
- 该算法检测的角点定义为在像素点的周围邻域内有足够多的像素点与该点处于不同的区域
- 在灰度图像中,即有足够多的像素点灰度值大于该点的灰度值或者小于该点的灰度值
- 由于FAST算法能在短时间生成大量角点,因此广泛用于实时性较高的SLAM系统中。
2.1.2 SIFT和SURF特征
SIFT(scale invariant feature transform)方法:
- SIFT是Lowe在1999年提出的一种特征点提取方法。
- SIFT特征对图像的尺度变化、图像缩放、旋转甚至仿射变换具有不变形
- 对光照变换和图像变形具有较强的适应性
- 首先检测由高斯差分构建的尺度空间上的局部极值点,并将其作为候选特征点,排除不太稳定的和对比度低的,从而确定关键点,接下来 为关键点分配方向,并通过采样关键点周围图像块图像梯度的幅值和方向来建立SIFT特征描述子
- 由于SIFT特征提取和匹配存在大量的浮点运算,时间 复杂度较高,不能保证实时性,因此在单目SLAM应用不多
- 利用GPU加速后克服了浮点运算,因此有一些GPU-SIFT作为特征检测和匹配方法。
SURF(speeded up robust features)方法:
- 是对SIFT的改进,基本结构、步骤与SIFT相近
- 速度快,且稳定性高,广泛应用
2.1.3 BRIEF与ORB特征
BRIEF(binary robust independent elementary features)特征:
- Calonder在2010年提出的可以快速计算且表达方式为二进制编码的描述子
- 主要思路是在特征点附近随机选取若干点对,将这些点对的灰度值的大小,组合成一个长为256 的二进制串,并将这个二进制串作为该特征点的特征描述子。由于其描述子利用二进制编码,因此在特征匹配时只需计算2 个特征点描述子的Hamming 距离。经过大量实验数据测试,不匹配特征点的描述子的Hamming 距离在128 左右,匹配点对描述子的Hamming 距离则远小于128。由于BRIEF 的匹配速度远高于SURF 和SIFT,因此被很多系统采用。
ORB(oriented brief)特征:
- 由于BRIEF 特征不具备旋转不变性,因此很难用于旋转比较剧烈的环境。
- 为了解决这一问题,EthanRublee在2011 年提出了ORB( oriented brief)特征,较好地解决了尺度不变性。
- 在尺度变化不大的环境,ORB 特征在SLAM 系统中获得了大量应用
【阅读文献】单目视觉SLAM方法综述【2】~特征的检测与匹配相关推荐
- 【阅读文献】单目视觉SLAM方法综述【4】~特征点深度获取+地图尺度控制
2.3 特征点深度的获取 单目摄像机相当于Bearing(方向) Only类传感器,不能立刻获得深度信息. 特征点深度获取方法主要有以下3种: 几何三角化.反深度(inverse depth).粒子滤 ...
- 【阅读文献】单目视觉SLAM方法综述【1】~单目视觉SLAM分类方法
目录 1 单目视觉SLAM分类方法 1.1 基于概率框架的单目视觉SLAM 1.2 基于非概率框架的单目视觉SLAM方法 SLAM最先由Smith Self 和 Cheeseman于1987年提出,被 ...
- 系统性综述:特征点检测与匹配
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨梦寐mayshine@知乎(已授权) 来源丨https://zhuanlan.zhihu.com ...
- 对SLAM和自动驾驶定位的思考,最新自动驾驶视觉SLAM方法综述!
摘要 自动驾驶车辆在不同的驾驶环境中需要精确的定位和建图解决方案.在这种背景下,SLAM技术是一个很好的解决方案.LIDAR和相机传感器通常用于定位和感知.然而,经过十年或二十年的发展,激光雷达SLA ...
- Patch2Pix(CVPR 2021)特征点检测与匹配论文精读笔记
前言 论文地址 论文补充材料 / 附录 代码地址 翻译并记录阅读每段的感受和写作逻辑.大概了解特征点检测和目标检测的大致方法的话,不用递归式读论文也能基本理解本文的方法. 参考文献 检测: [5] ...
- 图像特征点检测与匹配评价准则——量化
欢迎转载,转载请注明出处,谢谢! 目前图像匹配中,局部特征匹配占据了绝大部分,常用的局部特征匹配方法有Harris.SIFT.SURF.ORB等等,不同的特征点检测和匹配方法尤其独特的优势和不足: ...
- 图像特征点检测与匹配评价——量化指标
原文:http://blog.csdn.net/cgwang_1580/article/details/68944319 目前图像匹配中,局部特征匹配占据了绝大部分,常用的局部特征匹配方法有Harri ...
- 基于图像的三维重建——特征点检测与匹配(2)
文章目录 前言 一.特征点检测 二阶的拉普拉斯高斯边缘提取算法(LOG) 尺度不变特征变换算法(SIFT) 加速稳健特征算法(SURF) Harris角点特征提取算子 加速分割测试特征提取(FAST) ...
- 十.OpenCv 特征点检测和匹配
特征点检测和匹配 1. 特征检测的基本概念 特征检测是计算机视觉和图像处理中的一个概念.它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征.特征检测的结果是把图像上的点分为不同的子集 ...
最新文章
- ASP.NET Web API 过滤器创建、执行过程(二)
- jquery生成二维码
- 编写你的第一个 Django 应用,第 2 部分
- CSharp关键字----using
- 正则表达式里转义字符_五分钟搞定正则表达式,如果没搞定,再加两分钟
- 这35个Java代码优化细节,你用了吗?
- NumPy Cookbook 带注释源码 二、NumPy 高级索引和数组概念
- 代码整洁读书笔记---序,前言,代码猴子
- java实验报告心得_java实验报告心得体会.doc
- java实现QQ登录
- 树莓派 树莓派 编c++_如何建立一个树莓派冰箱的冷冻监视器
- 多层陶瓷电容器用处_陶瓷电容器的作用有哪些?
- Ubuntu下mysql的配置
- springboot项目如何查看MP运行日志
- B2B和大宗B2C企业的自媒体代运营
- CSS实例(一):漂亮的表格样式(使用CSS样式表控制表格样式)
- 国内最新最全面IP数据库
- 在安全创新的道路上飞奔
- 安卓【.9图】制作方法教程及技巧
- 右键弹出菜单和快捷键的设置