计算机视觉与深度学习 ｜ 视觉里程计算法综述（传统+深度）

已于 2025-05-03 18:09:52 修改
阅读量503 收藏 1
点赞数 3
CC 4.0 BY-SA版权
分类专栏： MATLAB之计算机视觉与深度学习 文章标签： 计算机视觉 深度学习 人工智能 python
于 2025-05-03 18:04:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011344545/article/details/147685625

视觉里程计算法综述

  • 1. 算法分类与原理
    • 1.1 传统几何方法
    • 1.2 深度学习方法
  • 2. 关键公式与模型
    • 2.1 本征矩阵分解
    • 2.2 深度学习模型架构
  • 3. 代码实现与开源项目
    • 3.1 传统方法实现
    • 3.2 深度学习方法实现
  • 4. 挑战与未来方向
  • 总结
  • 传统视觉里程计算法综述
    • 1. 算法分类与核心原理
      • 1.1 特征点法
      • 1.2 直接法
    • 2. 经典算法与公式详解
      • 2.1 特征点法代表：ORB-SLAM
      • 2.2 直接法代表：SVO（半直接法）
      • 2.3 点线融合方法：EDPLVO
    • 3. 代码实现与开源项目
      • 3.1 特征点法实现
      • 3.2 直接法实现
    • 4. 挑战与改进方向
    • 总结
  • 基于深度学习的视觉里程计算法综述
    • 一、算法分类与核心原理
    • 二、关键公式与模型
    • 三、代码实现与开源项目
    • 四、挑战与未来方向
    • 总结

1. 算法分类与原理

视觉里程计（Visual Odometry, VO）通过分析连续图像帧间的几何或深度学习特征，估计相机的运动轨迹。其核心方法可分为传统几何方法和基于深度学习的方法。

1.1 传统几何方法

原理：
传统方法通过特征提取、匹配和运动估计实现位姿解算。关键步骤包括：

  • 特征检测与匹配：使用SIFT、ORB等算法提取特征点，并通过RANSAC剔除离群点。
  • 运动估计：根据匹配特征点计算本征矩阵（Essential Matrix）或单应矩阵（Homography Matrix）。例如，对极约束公式为：
    p′TEp=0 \mathbf{p}'^T \mathbf{E} \mathbf{p} = 0 p
了解本专栏 订阅专栏 解锁全文
计算机视觉与深度学习 ｜ 视觉SLAM学习思路总结与视觉SLAM发展历程（1986年至2025年）
尘世冰封的专栏
04-10 322
一、基础准备数学基础线性代数：矩阵运算、特征值分解、奇异值分解（SVD）、最小二乘法。微积分与优化：梯度下降、牛顿法、非线性优化（如高斯-牛顿法、Levenberg-Marquardt算法）。概率与统计：贝叶斯滤波、卡尔曼滤波（KF/EKF）、粒子滤波（PF）。几何：三维空间变换（欧拉角、四元数、李群/李代数编程基础语言：C++（主流SLAM框架如ORB-SLAM、VINS用C++）、Python（快速原型验证）。工具库。
计算机视觉与深度学习 | 视觉里程计VO及惯性系统
尘世冰封的专栏
06-20 5309
视觉里程计VO及惯性系统 时间：2017.9.14 8:50 作者：Michael Beechan 前端视觉里程计：根据相邻图像信息估计粗略的相机运动，给后端提供初始值。 VO的实现方法(是否提取特征)：特征点法和直接法。 VO的主要问题是如何根据图像来估计相机运动。 角点检测方法：SIFT，SURF，ORB等。 特征点性质：1.可重复性 2.可区别性 3.高效性 4.本地性 h...
视觉里程计 -- 单层多层 直接法（附代码解析）
蓝羽飞鸟的博客
04-06 873
直接法是根据像素的亮度信息(Intensity）来估计相机的运动。 还记得估计相机的运动有以下方法： 1.提取特征点和描述子，比如SIFT，FAST特征点，不同视角的图片特征点匹配，然后用对极几何，PnP或ICP法估计相机运动。 2. 提取特征点，不提取描述子，然后用光流法跟踪特征点的运动，再估计相机运动。 而直接法可以在特征点的基础上计算，也可以连特征点都不提取了，直接随机采点。 也不用计算光流，不需要知道点和点之间的对应关系，而是通过最小化光度误差来得到，是一个优化问题。 直接法相比于特征点，克服了以下
基于深度学习的视觉里程计算法
苏州程序大白的博客
04-23 4038
基于深度学习的视觉里程计算法 介绍 近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征 匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高。环境 噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度。鉴于此,提出 一种基于深度学习并融合注意力机制的视觉里程计算法,该算法可以舍弃传统算法复杂的操作过程。实验结果表 明,所提算法可以实时地估计相机里程计,并具有较高的精度和稳定性以及较低的网络复杂
SLAM系列——视觉里程计（特征法）
xiaohu的博客
06-21 2922
特征点法 特征点
求解视觉里程计（基于特征点法）
Walking_roll的博客
08-15 2800
目录1 视觉里程计（VO）2 基于特征点法的视觉里程计算法2.1 特征点2.2 ORB特征点的提取与匹配2.2.1 关键点与描述子灰度质心法特征描述子计算2.2.2 特征点匹配2.3 特征点法估计相机位姿2.3.1 对极几何约束2.3.2 八点法求解本质矩阵E,估计相机运动==非常感谢您的阅读！== 1 视觉里程计（VO） 视觉SLAM的基本框架已经学习，其中由两部分非常重要，那就是前端和后端。视觉前端就被成为视觉里程计（VO），其根据相邻图像的信息，估计出粗略的相机位姿，给后端提供较好的位姿初始值。 视
计算机视觉与深度学习 | 视觉里程计综述（框架+算法）
尘世冰封的专栏
05-10 3289
博主github：https://github.com/MichaelBeechan 博主CSDN：https://blog.csdn.net/u011344545 OF-VO：Robust and Efficient Stereo Visual Odometry Using Points and Feature Optical Flow 代码：https://github.com/Michael...
计算机视觉与深度学习 | 视觉里程计（Visual Odometry，VO）研究现状
尘世冰封的专栏
09-20 640
21世纪是计算机视觉（Computer Vision，CV）和人工智能（Artificial Intelligence，AI）快速兴起的时代。随着AlphaGo击败人类职业围棋选手[1]、扫地机器人以及波士顿动力公司开发的各种机器人的出现，机器人、人工智能、神经网络等不再是陌生的词汇。机器人是机械与智慧的完美结合，由于其广泛应用，渐渐成为人类生活的重要组成部分。未来，机器人产业将引领潮流，成为影响国家综合国力、现代高科技战争及青少年教育的重要因素。机器人是一种将计算机技术、传感器技术、微电子技术、自动化控制
视觉SLAM14讲——视觉里程计1（特征点法）
weixin_55800047的博客
05-16 2766
前面说过视觉SLAM系统分为前端和后端两个内容，前端也叫做视觉里程计。视觉里程计的主要作用是根据相邻的两张图像的信息粗略的估计出相机运动，给后端一个较好的初始值。视觉里程计的两大算法为：特征点法和直接法。本讲主要是特征点法。 1、特征点法 视觉里程计最核心的问题是如何根据图像来估计相机运动。图像在计算机中是以矩阵的形式存储的，直接从矩阵的角度来估计图像是比较复杂的。一个简便的做法是：在图像中选取一些有代表性的点，这些点在相机视角发生少量变化后仍会保持不变，我们需要在各个图像中找到相同的点，在这些点的基础
SLAM5-视觉里程计的算法
Summer_star_summer的博客
07-17 1495
一、视觉里程计的定义 视觉里程计主要是根据相邻图像信息粗略估计出相机的运动，为后端提供初始值，常用的算法有特征点法和直接法 特征点：特征点=关键点+描述子。关键点是指像素坐标，描述子指坐标周围像素的信息。有很多特征点，SIFT特征，SURF特征，ORB特征 SIFT特征：尺度不变特征变换（Scale-invariant feature transform）：大致方法是首先搜索所有尺度下图像的位置，通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点，然后在候选位置通过拟合精细的模型来确定位置和尺度，再基于
【Python OpenCV】基于单应矩阵的视觉里程计算法步骤详解之BFMatcher特征匹配
weixin_44991673的博客
12-25 1184
前文回顾： 【Python OpenCV】基于单应矩阵的视觉里程计算法步骤详解之ORB 特征提取 文章目录1.ORB 特征提取2.BFMatcher特征匹配输出结果示例代码未解决的问题扩展技术英语参考资料 特征匹配解决SLAM中数据关联问题，确定当前看到的路标与之前看到的路标之间的对应关系。 1.ORB 特征提取 2.BFMatcher特征匹配输出结果 由于图像特征的局部特性，误匹配的情况广泛存在，成为制约视觉SLAM中制约性能提升的一个瓶颈 结果有问题，需要继续思考原因,我们如何才能避免错误匹
视觉里程计问题的公式推导
枫叶南国的博客
04-21 9255
视觉里程计问题的公式推导 　　假设在时间k，通过相机移动，追踪环境图像。如果是单目相机，k时间上拍摄的一组图像表示为I0:n={I0，…，In}。如果是立体相机，每个时刻有左右两幅图像，记为Il, 0:n={Il,0，…，Il,n}和Ir, 0:n={Ir,0，…，Ir,n}。图1表示了这个具体问题。 　　相邻的相机位置的相对位姿Tk,K-1（或相机系统位置），通过视觉特征进行
【视觉SLAM:六、视觉里程计Ⅰ：特征点法】
最新发布
计算机领域博客，与时俱进的思想与技术。
12-31 1759
原理：提取图像中显著的特征点，并通过特征点的匹配关系推断相机运动。流程：提取图像特征点。描述特征点并计算特征点匹配关系。通过特征匹配估计相机运动（后续结合几何关系）。视觉里程计通过特征点法提取信息，结合几何约束（2D-2D对极几何、三角测量）估计相机位姿，并通过PnP（3D-2D）和ICP（3D-3D）实现更复杂场景下的位姿求解。这些方法构成了视觉里程计的核心技术体系，为SLAM中的前端跟踪提供了坚实的数学基础和实现方案。
视觉里程计详解
moonlightpeng的博客
03-13 835
通过对特征点提取与匹配、运动估计与位姿计算等原理的深入探究，我们了解了视觉里程计的基本原理和常见的计算方法。视觉里程计（Visual Odometry）是计算机视觉领域中的重要研究方向，它通过对图像序列进行处理和分析，估计相机在三维空间中的运动轨迹。基于特征点的方法是最常见和经典的视觉里程计算法之一。基于直接法的视觉里程计不同于特征点法，它通过使用图像所有的像素信息，直接估计相机的运动。运动估计与位姿计算：根据匹配点的位置信息，利用三角测量等方法计算相机的运动量，并进一步计算相机在三维空间中的位姿。
视觉SLAM十四讲学习笔记1——视觉里程计
bitucas的博客
05-01 1327
一、基础概念 1.按照相机的工作方式，我们把相 机分为单目（Monocular）、双目（Stereo）和深度相机（RGB-D）三个大类。 2.照片，本质上是拍照时的场景（Scene），在相机的成像平面上留下的一个投影。它以二维的形式反映了三维的世界。显然，这个过程丢掉了场景的一个维度：也就是所谓的深 度（或距离）。在单目相机中，我们无法通过单个图片来计算场景中物体离我们的距离（远 近）——之后我们会看到，这个距离将是 SLAM 中非常关键的信息。由于我们人类见过大 量的图像，养成了一种天生的直觉，对大部
视觉slam十四讲学习笔记（七）视觉里程计 2
qq_53589322的博客
03-05 1202
1.理解光流法跟踪特征点的原理。2.理解直接法是如何估计相机位姿的。3.使用g2o进行直接法的计算。视觉SLAM十四讲ch7_2_哔哩哔哩_bilibili一、直接法的引出视觉slam十四讲学习笔记（六）视觉里程计 1-CSDN博客介绍了使用特征点估计相机运动的方法。尽管特征点法在视觉里程计中占据主流地位，但有以下几个缺点：关键点的提取与描述子的计算非常耗时。实践当中，SIFT目前在CPU 上是无法实时计算的，而ORB也需要近20毫秒的计算。如果整个SLAM以30。
第七讲 视觉里程计1
weixin_42391513的博客
07-05 432
图像块的矩通常定义为像素值与坐标的乘积，然后对整个图像区域进行累加。
里程计、推算定位与视觉里程计
算法攻城狮
09-22 1509
本文来自 lxiaoxiaot 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/lxiaoxiaot/article/details/6779936?utm_source=copy 里程计（Odometry）：原文链接在此：http://en.wikipedia.org/wiki/Odometry 里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化...
深度学习下的2015-2017年ECCV、ICCV和CVPR图像复原论文综述
### 知识点二：深度学习与计算机视觉 深度学习是机器学习的一个子领域，它利用深层的神经网络结构，例如卷积神经网络（CNN），来学习数据的高阶特征表示。在计算机视觉领域，深度学习技术尤其是CNN在图像分类、目标...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

北斗猿

代码有情，打赏有爱！谢谢！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值