视觉SLAM特征点提取与匹配

Posted 2020-12-10 guoben

特征点法视觉里程计

特征点提取与匹配

经典 SLAM 模型中以位姿 路标（ Landmark ）来描述 SLAM 过程
? 路标是三维空间中固定不变的点，能够在特定位姿下观测到
? 数量充足，以实现良好的定位
? 较好的区分性，以实现数据关联
在视觉 SLAM 中，可利用图像特征点作为 SLAM 中的路标

特征点是图像中具有代表性的部分；
具有可重复性，可区别性，高效，本地的特点
特征点的信息
? 位置、大小、方向、评分等 关键点
? 特征点周围的图像信息 描述子（ Descriptor）

特征描述应该在光照、视角发生少量变化时仍能保持一致
例子：SIFT/SURF/ORB（见 OpenCV features2d 模块）

典型的特征点

ORB 特征

关键点： Oriented FAST
描述： BRIEF

FAST

? 连续 N 个点的灰度有明显差异

Oriented FAST

? 在 FAST 基础上计算旋转

描述子

BRIEF

? BRIEF 128 ：在特征点附近的 128 次像素比较
? ORB ：旋转之后的 BRIEF 描述

BRIEF 是一种二进制描述，需要用汉明距离度量

特征匹配

目的： 通过描述子的差异判断哪些特征为同一个点
暴力匹配：比较图 1 中每个特征和图 2 特征的距离
加速：快速最近邻方法（FLANN）

2D-2D 对极几何

特征匹配之后，得到了特征点之间的对应关系
? 如果只有两个单目图像，得到 2D 2D 间的关系——对极几何
? 如果匹配的是帧和地图，得到 3D 2D 间的关系——PnP
? 如果匹配的是 RGB D 图，得到 3D 3D 间的关系——ICP

三角化与深度估计

求E使用八点法来求


从E计算R，t则使用奇异值分解

[E=USigma V^T ]

一共会生成四个可能的解，但只有一个深度为正。

[t_1^{vee}=UR_Z(pi/2)Sigma U^T,R_1=UR^T_Z(pi/2)V^T _2^{vee}=UR_Z(-frac{pi}{2})Sigma U^T,R_2=UR^T_Z(-frac{pi}{2})V^T ]

SVD 过程中：取(E = U diag (frac{delta_1+delta_2}{2},frac{delta_1+delta_2}{2},0)V^T) 因为 E 的内在性质要求它的奇异值为(delta,delta,0);
? 最少可使用五个点计算 R,t ，称为五点法, 但需要利用 E 的非线性性质，原理较复杂

八点法的讨论

八点法可用于单目 SLAM 的初始化（初始化需要相机运动）

• 尺度不确定性：归一化 t 或特征点的平均深度(相机运动)
• 纯旋转问题： t=0 时无法求解
• 点对数多于八对时：则使用最小二乘法进行求解
• 有外点时：使用RANSAC进行过滤。

从单应矩阵恢复R,t

• 八点法在特征点共面时会共面
• 设特征点位于某平面上：(n^TR+d=0)或(-frac{n^TP}{d}=1).
  
  

小结

2D——2D 情况下，只知道图像坐标之间的对应关系
? 当特征点在平面上时（例如俯视或仰视），使用 H 恢复 R,t
? 否则，使用 E 或 F 恢复 R,t
? t 没有尺度

求得 R,t 后：
? 利用三角化计算特征点的 3D 位置（即深度）
? 实际中用于单目 SLAM 的初始化部分

3D-2D PnP

目的：已经 3D 点的空间位置和相机上的投影点，求相机的旋转和平移（外参）
解法：代数的解法/优化的解法

1. 代数解法

a. DLT(direct Linear Trace)

设空间点(P=(X,Y,Z,1)^T)，投影点为：(x=(u,v,1)) 归一化坐标，则投影关系：(sx=[R|t]p)
展开：

? 将它看成一个关于 t 的线性方程，求解 t
? 注意最下一行为(s=[t_9,t_{10},t_{11},t_{12}][X,Y,Z,1]^T)
? 用它消掉前两行中的 s ，则一个特征点提供两个方程：

[t_1=(t_1,t_2,t_3,t_4)^T, _2=(t_5,t_6,t_7,t_8)^T, _3=(t_9,t_{10},t_{11},t_{12})^T ]

[t^T_1P-t^T_3Pu_1=0 _2^TP-t^T_3Pv_1=0 ]

为求解 12 个未知数，Y一般需要 12/2=6 对点。（超定时求最小二乘解)

? DLT 将 R,t 看成独立的未知量，所以在求出结果后，需要将 t 组成的矩阵投影回 SO(3) 3)（通常用 QR 分解实现）
? 此外，也可代入内参矩阵 K ，但 SLAM 中一般假设 K 已知，所以这里没有代入。
为求解 12 个未知数，需要 12/2=6 对点。（超定时求最小二乘解)

b. P3P:利用三对点求相机内参

c. EPnP /UPnP/...

2. 优化解法： Bundle Adjustment

线性化和雅可比

对3D点求导：

4. 3D-3D ICP

ICP 也可以从非线性优化角度求解，但：
? 已知匹配时， ICP 问题存在唯一解或无穷多解的情况。在唯一解的情况下，只要能找到极小值解，那么这个 极小值就是全局最优值 。
? 所以正常情况下， SVD 结果和优化一样，且优化很快收敛。

注：
? 在激光情况下，匹配点未知，将指定最近点为匹配点。此时问题非凸，极小值不一定为最小值。
? 利用非线性优化可以将 ICP 与 PnP 结合在一起求解。

小结

本章介绍了与特征点相关的视觉里程计部分算法，包括：

• 特征点是如何提取并匹配的；
• 如何通过2D-2D的特征点估计相机运动；
• 三角化原理；
• 3D-2D的PnP问题，线性解法与BA解法；
• 3D-3D的ICP问题，线性解法与BA解法。

5. 三角化与深度估计