双目视觉里程计.ppt

5. 增量式的运动估计 根据匹配后的特征点和特征点的坐标，恢复两个时刻相机的运动 在匹配过程中，存在大量的误匹配，需要用RANSAC（MLESAC）！ ??从M中选取3个点对 ??由3个点对估计参数 ??根据估计参数得到的模型计算误差，如果小于给定误差，则认为是inlier ?? 重复S次，找到inliers最大的点集 ?? 对该点集进行计算，得到最终T 3D-3D 3D-2D Can be solved by SVD or MLE Tricks VISO2-S StereoScan: Dense 3d Reconstruction in Real-time IV 2011 1.采用自己定义的检测子和描述子，SSE指令集优化 2.鲁棒性的匹配策略 using motion model 前后帧匹配 two pass matching 对图像区域的运动进行统计 circular matching 一个匹配需要4个点 remove outliers by voting 三角剖分并投票 VISO2-S StereoScan: Dense 3d Reconstruction in Real-time IV 2011 3. 对匹配进行精细化定位和筛选（网格） 4. 计算重投影误差时对像素点增加了权重 SSLAM Robust Selective Stereo SLAM without Loop Closure and Bundle Adjustment ICIAP 2013 1. 特征检测与描述 HarrisZ detector、sGLOH descriptor 2. 环形匹配 3. Pose Estimation Constrained by Temporal Flow 图像的分辨率决定了匹配后特征点位置的不确定性 只有这些match之间Temporal Flow较大时，不确定才小 因此当flow大于特定值的匹配对所占比率 较大时才做运动估计 2FO-CC Improving the Egomotion Estimation by Correcting the Calibration Bias VISAPP 2015 重投影误差在左右图像中不是均匀分布（inaccurate calibration） 完美的匹配在图像上只有1pix的误差，理论上其重投影误差应该很小的，然而根据ground truth计算的重投影误差有7pix！ ok，统计一下 d()：根据deformation matrix，将图像上的点的位置映射到另一个位置 TLBBA High-performance visual odometry with two- stage local binocular BA and GPU IV 2013 高精度实时视觉定位的关键技术研究 卢维 1. 利用的GPU加速的SiftGPU 只计算两个scale 图像输入为480*300 2. 估计特征点的不确定性 3. 两阶段的local BA 3D-3D 这个方程存在两个问题 3d点的误差分布不是均匀的，例如远的点误差很大 将每一个点都均等的对待 3D-2D First stage Second stage MFI Visual Odometry by Multi-frame Feature Integration. ICCV2013 1. 统计分析了特征点跟踪的误差 对检测到的新的特征点，计算其3d坐标（original 3D point） 在其后的几帧中对这个特征点进行跟踪，得到其坐标u、v 根据ground truth motion计算这个特征点在这几帧的3d点（ground truth 3D point），计算重投影坐标u、 v 统计u-u‘、v-v、d-d’的分布 Laplacian-like distribution, zero-mean. 容易跟丢的特征，其误差一般很大 相邻帧特征跟踪的误差是 零均值、独立于age、同分布的！ age为40的特征，累计误差 vs Age MFI Visual Odometry by Multi-frame Feature Integration. ICCV2013 相邻帧特征跟踪的误差是零均值、独立于age、同分布的！ 2.feature propagation technique 上一帧3d点重投影到当前帧 倾向于最小化age大的误差项 W∝1/RMSE（age） a_i is the age of the feature at time t ?1 age越大，其值越接近上次计算的位置 integrated feature可以看做是经过滤波器得到的，每次观测作为更新的量