电子政务门户网站建设的教训,汽车cms,wordpress登录不上后台,火车头wordpress发布接口1.建图 我们所谓的地图#xff0c;即所有路标点的集合。一旦我们确定了路标点的位置#xff0c;那就可以说我们完成了建图。 地图的作用#xff1a;#xff08;1#xff09;定位 #xff1b;#xff08;2#xff09;导航#xff1b; #xff08;3#xff09;避障即所有路标点的集合。一旦我们确定了路标点的位置那就可以说我们完成了建图。 地图的作用1定位 2导航 3避障 4重建 5交互 2. 稠密重建 单个图像中的像素只能提供物体与相机成像平面的角 度以及物体采集到的亮度而无法提供物体的距离Range。而在稠密重建我们需要知道每一个像素点或大部分像素点的距离大致上有以下几种解决方案 1. 使用单目相机利用移动相机之后进行三角化测量像素的距离。 2. 使用双目相机利用左右目的视差计算像素的距离多目原理相同。 3. 使用 RGB-D 相机直接获得像素距离。 使用 RGB-D 进行稠密重建往往是更常见的选择。而单目双目的好处是在目前 RGB-D 还无法很好应用的室外、大场景场合中仍能通过立体视觉估计深度信息。 3. 单目稠密重建 稠密深度估计问题中匹配是很重要的一环如何确定第一张图的某像素出现在其他图里的位置需要用到极线搜索和块匹配技术。 3.1.极线搜索与块匹配 极线搜索的示意图 在特征点法中通过特征匹配得到p2的位置然而实际没有描述子只能在极线上搜索和p1想的比较相似的点。可能沿着极线一直走比较每个像素与p1的相似程度。这就是极线搜索。 单个像素的亮度没有区分性由此我们想到可以比较像素块我们在 p1 周围取一个大小为 w×w 的小块然后在极线上也取很多同样大小的小块进行比较就可以一定程度上提高区分性。这就是所谓的块匹配。 计算小块与小块间的差异有不同的计算方法 1. SAD(Sum of Absolute Difference)。顾名思义即取两个小块的差的绝对值之和 2. SSD。SSD 并不是说大家喜欢的固态硬盘而是 Sum of Squared Distance(SSD)平 方和的意思 3. NCC(Normalized Cross Correlation)归一化互相关。这种方式比前两者要复杂一些它计算的是两个小块的相关性 请注意由于这里用的是相关性所以相关性接近 0 表示两个图像不相似而接近 1 才表示相似。前面两种距离则是反过来的接近 0 表示相似而大的数值表示不相似。 在极线上计算了 A 与每一个 Bi 的相似性yo度量。为了方便叙述假设我们用了 NCC那么我们将得到一个沿着极线的 NCC 分布。这个分布的形状严重取决于 图像本身的样子例如图 13-3 那样。在搜索距离较长的情况下我们通常会得到一个非凸 函数这个分布存在着许多峰值然而真实的对应点必定只有一个。在这种情况下我们 会倾向于使用概率分布来描述深度值而非用某个单一个的数值来描述深度。于是我们 的问题就转到了在不断对不同图像进行极线搜索时我们估计的深度分布将发生怎样的 变化——这就是所谓的深度滤波器。 3.2. 高斯分布的深度滤波器 稠密深度的完整过程 1. 假设所有像素的深度满足某个初始的高斯分布 2. 当新数据产生时通过极线搜索和块匹配确定投影点位置 3. 根据几何关系计算三角化后的深度以及不确定性 4. 将当前观测融合进上一次的估计中。若收敛则停止计算否则返回 2。 最后深度图趋于稳定 像素梯度 逆深度 4. RGB-D稠密建图 点云地图Point_Cloud Map 1. 在生成每帧点云时去掉深度值太大或无效的点。 2. 利用统计滤波器方法去除孤立点。该滤波器统计每个点与它最近 N 个点的距离值的 分布去除距离均值过大的点。这样我们保留了那些“粘在一起”的点去掉了孤 立的噪声点。 3. 最后利用体素滤波器Voxel Filter进行降采样。由于多个视角存在视野重叠在 重叠区域会存在大量的位置十分相近的点。这会无益地占用许多内存空间。体素滤波 保证在某个一定大小的立方体或称体素内仅有一个点相当于对三维空间进行了 降采样从而节省了很多存储空间。 三角网格Mesh面片Surfel 通过体素Voxel建立占据网格地图Occupancy Map SFM 泊松重建 八叉树地图Octo-Map 将三维空间建模为很多小方块体素每个面切成两片分割为8块。一直重复达到建模的最高精度。 对于本文的所有实践可参考《视觉SLAM十四讲》建图部分这里就不加以叙述了。 转载于:https://www.cnblogs.com/zp1285/p/11111253.html