【视觉SLAM】4-SLAM前端之视觉里程计Visual Odometry
文章目录
-
1. 前言
-
- 1.1 里程计（Odometry）
- 1.2 视觉里程计（Visual Odometry，VO）
-
2. 特征点法
-
- 2.1 特征点
- 2.2 相机运动估计
-
3. 直接法
-
Refs
1. 前言
1.1 里程计（Odometry）
在里程计问题中，可利用多种手段来测量物体的运动轨迹，如在汽车轮胎上安装计数码盘，通过测量轮胎转动圈数获得行驶距离。完成这种运动估计的装置（包括硬件和算法）称为里程计（Odometry） 。
里程计的一个很重要的特性是，它只关心局部时间上的运动 ，多为两个时刻间的运动。通常以估计间隔对时间采样，进而估计物体在各时刻之间的运动，这就导致误差（估计误差、噪声等）会不断累积，这种现象称为漂移（Drift） 。SLAM流程中的回环检测可纠正漂移带来的全局误差。
1.2 视觉里程计（Visual Odometry，VO）
视觉里程计指主要依赖视觉传感器的里程计，如单/双目相机。注意，在前文介绍的SLAM框架中，VO也被称为前端
VO的核心问题是从几个相邻图像中估计相机运动 ，这主要基于相邻图像间的相似性。目前视觉里程计的主要算法分为特征点法（稀疏方法） 和直接法（稠密方法） 两大类。
2. 特征点法
2.1 特征点
从图像中提取有代表性的点（称为特征点），进而通过匹配不同时刻图像中的特征点来估计相机运动。在经典SLAM模型中，这些点被称为路标（Landmark） ；在视觉SLAM中，这些点被称为特征（Feature） 。
常用的特征点提取方法有：
- 简单的角点特征：Harris，FAST，GFTT；
- 更鲁棒的具有旋转一致性的特征：SIFT，SURF，ORB；
特征点由关键点（Key-point） 和描述子（Descriptor） 组成。关键点给出了特征点的空间位置，而描述子则给出了特征点的局部信息，描述子通常是一个人工设计的具有一定长度的向量。
2.2 相机运动估计
提取了相邻图像间的特征点后，可通过多种算法计算其匹配关系（如暴力匹配（Brute-Force Matcher） ）。重点来看如何利用得到的特征点匹配关系，通过立体视觉 的相关知识来估计相机的局部运动。
根据输入不同可将该问题分为三类，详细推导和OpenCV实现请看其它文章链接：
- 2D-2D（对极几何） ：特征点法估计相机运动之对极几何2D-2D；
- 3D-2D（PnP） ：特征点法估计相机运动之PnP 3D-2D；
- 3D-3D（ICP） ：迭代最近点（Iterative Closest Point, ICP）算法；
3. 直接法
光流跟踪特征点 \rightarrow 估计相机位姿
后续补充