orb-slam在众多SLAM方法中处于怎样的地位
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了orb-slam在众多SLAM方法中处于怎样的地位相关的知识,希望对你有一定的参考价值。
参考技术A orb-slam综合感觉不错,就是pure rotation容易跟丢,提取特征点少的场景景容易跟丢。lsd速度慢,精度低些,不过因基于gradient,估计对规则纹理的室内和建筑场景有利。svo对于手持拍摄视频不好,作者提供的无人机测试数据还可以。 orb-slam和lsd今年都有新论文可以看看,多个方法各有优劣。对于移动平台,目前单目slam算法的运算和存储要求高,稳定性也还不够。分方向还有stero camera,rgb-d,other sensors combined (imu, gps)等。
ORB-SLAM2初步(跟踪模块)
一、跟踪模块简介
在ORB-SLAM或其他SLAM系统中,跟踪的主要任务是根据相机或视频输入的图像帧实时输出相机位姿。在ORB-SLAM中,跟踪模块的主要任务是实时输出相机位姿和筛选关键帧,完成一个没有经过优化或者说全局优化的视觉里程计。通常根据相机的不同采用的方法也不相同,如单目除了需要进行初始化外通常根据特征匹配结果使用PnP算法求解相机位姿。
二、跟踪模块分析
如图 是ORB-SLAM跟踪模块的技术流程图
其流程为首先获取第一张彩色图像,然后转为灰度图,提取ORB特征,通常第一帧会构建为关键帧;
然后进入跟踪过程(以单目为例),如果没有初始化则会进入自动初始化模块:定义参考帧和当前帧,提取ORB特征,进行特征匹配,然后分别计算单应矩阵和基础矩阵(双线程),使用H,F的判别模型判断在当前环境下使用哪个模型进行位姿求解,最后使用对应的求解方法求解H或F矩阵获取相机初始位姿,并使用三角测量计算匹配特征点的深度信息,获得3D点;
ORB-SLAM中关于跟踪状态有两种选择(1)只进行跟踪不建图(2)同时跟踪和建图,这里以(2)为例。初始化之后ORB-SLAM有三种跟踪模型可供选择,首先假设相机恒速(即Rt和上一帧相同),然后计算匹配点数(如果匹配足够多则认为跟踪成功),如果匹配点数目较少,说明恒速模型失效,则选择参考帧模型(即特征匹配,PnP求解),如果参考帧模型同样不能进行跟踪,说明两帧键没有相关性,这时需要进行重定位,即和已经产生的关键帧中进行匹配(看看是否到了之前已经到过的地方)确定相机位姿,如果重定位仍然不能成功,则说明跟踪彻底丢失,要么等待相机回转,要不进行重置;
假如通过一种模型完成了初始相机的位姿估计,则进一步跟踪局部地图,即和当前帧相关联的地图点做联合优化,获得一个较为准确的相机位姿;
输出相机位姿说明跟踪过程已经完成,下面就是根据一定的判定条件判断当前帧是否可以作为关键帧输出,判定关键帧的条件一般为距上一关键帧过去了多少帧,和上一关键帧之间的匹配点的数量等。
三、跟踪模块总结
从上面的流程可以看出,如果想进一步提升跟踪的速度,第一是从ORB特征的提取和建立描述符入手,第二是从局部地图跟踪入手,而相机初始位姿估计可能优化的余地不是很大。
后面想根据代码具体谈一谈跟踪过程的实现方式。
以上是关于orb-slam在众多SLAM方法中处于怎样的地位的主要内容,如果未能解决你的问题,请参考以下文章