yyang2010的个人博客分享 http://blog.sciencenet.cn/u/yyang2010

博文

视觉里程计:学习笔记

已有 8533 次阅读 2011-10-13 10:17 |系统分类:科研笔记| 学习, separate, normal, style, 视觉

 

视觉里程计 就是利用一个图像序列或者一个视频流,计算摄像机的方向和位置的过程。

10月11日 ----------------------------------------------------------------------

视觉里程计算法(基本知识):

大多数现有的视觉里程计算法都是基于以下几个步骤:

1、图像获取:单目照相机、双目照相机或者全向照相机;

2、图像校正:使用一些图像处理技术来去除透镜畸变;

3、特征检测:确定感兴趣的描述符,在帧与帧之间匹配特征并构建光流场;

(1)、使用相关性来度量两幅图像间的一致性,并不进行长时间的特征跟踪;

(2)、特征提取、匹配(Lucas–Kanade method);

(3)、构建光流场;

4、检查光流场向量是否存在潜在的跟踪误差,移除外点;

5、由光流场估计照相机的运动;

(1)、可选方法1:使用卡尔曼滤波进行状态估计;

(2)、可选方法2:查找特征的几何与3D属性,以最小化基于相邻两帧之间的重投影误差的罚函数值。这可以通过数学上的最小化方法或随机采样方法来完成;

6、周期性的重定位跟踪点;

10月13日-----------------------------------------------------------------------------------------------

我选择的视觉里程计算法是:“ sift特征匹配点——基本矩阵——R和T”。

第一步:由特征点计算基本矩阵F。

一般而言,sift点是存在误匹配的情况,因此,采用ransac鲁棒方法计算基本矩阵F。这个过程已经实现,但是还有一个小问题:同样的一组sift点,进行两次基本矩阵计算,得到的基本矩阵差异很大,因此,我在ransac方法的基础上,根据得到的inliers点,采用常规的8点基本矩阵计算方法,这样得到的基本矩阵能保持不变

第二步:由基本矩阵计算R和T

方法1:奇异值分解

E = KK'*F*KK;    %%这是真实的本质矩阵E

[U,S,V] = svd(E);  %奇异值分解。
T_nonscale = U(:,3); %%  不含有刻度因子的平移向量
D= [0 1 0 ;-1 0 0; 0 0 1];
Ra = U*D*V';或者Rb = U*D'*V';   

方法2:非线性优化解迭代求解。我尝试了三种不同的目标函数形式:

% RT_from_E_ydf.m;   物理意义不明显!精度和速度都不如后面的好。
% RT_point_constraints_ydf.m  速度折中,精度较高
% RT_point_constraints_ydf02.m  速度最快,精度不够高   

发现的问题:特征点的误匹配问题。

误匹配对位姿解算结果影响分析:我们将手动选取的匹配点加上一个噪声后(1-2个像素的噪声),位姿误差很大,也就是说,要得到精确的位姿解算结果,噪声不能大于1个像素,即需要考虑亚像素级别的特征点匹配!!实验表明,用sift特征是一种比较合理的方法,但是,sift特征容易出现误匹配点的情况,将其进行剔除是很有意义的一件事情。

目前我采用的是手动选择匹配好的区域,从而选择比较好的匹配点,见hand_choose_sift_ydf.m。结果如下:

Image0053 & Image0056 (sift特征点误匹配率较)

备注

剔除前(°)

172.1492

178.2707

-133.4679

×

剔除后(°)

-0.0774

10.2036

0.0192

真实值(°)

0

10

0

 

Image0053 & Image0054 (sift特征点误匹配率较)

 

剔除前(°)

0.0780

-10.9056

-0.0013

剔除后(°)

-0.0133

-10.7892

0.2188

真实值(°)

0

-10

0

 

 

下一步研究sift特征点的自动选择算法。

一般而言,针对匹配点的鲁棒算法有M-estimators等,我这里选择的是最小中值法(least-median-squares)。程序见RT_from_siftpoint_ydf03.m,该方法运算量非常大,需要进行163(以保证能得到一组正确的样本,假设sift误匹配率为40%的情况下)组优化求解计算Very time consuming

疑问,为什么横向选取特征点的时候,结算结果会出现很大的误差呢?

【横向选取Sift特征点和纵向选取sift特征点,会有不同。能不能进行分析,得到如下结论:如果关心的是航向角,则sift特征点集合呈竖状比较好,即sift点集合和旋转轴平行。

1×8选取特征点

表不同方向手动选取特征点

Image0053 & Image0054

备注

1 × 8

  -96.0655

14.8033

-11.8376

×

-168.9075

35.7764

-17.7804

×

    0.4452

-19.4641

-1.7153

×

8 × 1

    0.0554

-10.8175

-0.0209

    0.0904

-10.8215

-0.0115

    0.5212

-10.8057

0.2690

真实值(°)

0

10

0

 

 

 

 



https://wap.sciencenet.cn/blog-557238-496266.html

上一篇:计算机视觉第一阶段学习小结
下一篇:单目鲁棒视觉里程计
收藏 IP: 166.111.138.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (3 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-3-29 19:48

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部