(01)ORB-SLAM2源码无死角解析-(18) SVD奇异值分解→求解Homography,Fundamental矩阵,了解矩阵自由度

已于 2022-10-31 17:03:00 修改
阅读量1.8k 收藏 1
点赞数 3
CC 4.0 BY-SA版权
分类专栏： (01)ORB-SLAM2源码无死角解析-收费 文章标签： 自动驾驶 机器人 增强现实 ORB-SLAM2 无人机
于 2022-03-31 18:16:24 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/weixin_43013761/article/details/123877876
本文详细介绍了ORB-SLAM2中SVD奇异值分解在求解Homography和Fundamental矩阵的过程。通过分析矩阵自由度和秩的概念，解释了如何使用SVD来解决超定方程，并给出了源码中的关键函数ComputeH21()和ComputeF21()。文章还探讨了Homography和Fundamental矩阵的自由度问题，以及如何确保Fundamental矩阵的最后一个奇异值为0。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

讲解关于slam一系列文章汇总链接:史上最全slam从零开始，针对于本栏目讲解的(01)ORB-SLAM2源码无死角解析链接如下:
(01)ORB-SLAM2源码无死角解析-(00)目录_最新无死角讲解：https://blog.csdn.net/weixin_43013761/article/details/123092196
 
文末正下方中心提供了本人 联系方式， 点击本人照片即可显示 W X → 官方认证 {\color{blue}{文末正下方中心}提供了本人 \color{red} 联系方式，\color{blue}点击本人照片即可显示WX→官方认证} 文末正下方中心

了解本专栏 订阅专栏 解锁全文 超级会员免费看
(01)ORB-SLAM2源码无死角解析-(22) 特征点三角化、深度计算、三维点筛选
江南才尽江南山，年少无知年少狂！
04-22 2450
通过前面的博客，我们已经知道如何从 单应性矩阵Homography，或者 基本矩阵Fundamental 中恢复RtRt,但是这里存在一个比较尴尬的问题，其结果都存在多组解，也就是多组RtRt，比如从 Homography 中恢复RtRt存在8组解，从 Fundamental 中恢复 存在4组解。那么我们如何去判断那组解是最优的呢?
ORB-SLAM2算法12之单目初始化Initializer
重点记录机器人和自动驾驶相关领域的技术，尤其是计算机视觉，视觉SLAM等，不仅有前言文献或必备算法的学习，也会有实际应用的点滴经验
08-27 768
本文主要学习ORB-SLAM2中的单目初始化Initializer类，这个类不包括双目和RBGD的初始化。
奇异值分解（SVD）
YYY_77的博客
08-29 8805
奇异值分解SVD什么是奇异值分解SVD的特征向量SVD定义应用 什么是奇异值分解 SVD是一种矩阵分解算法，在某些情况下，矩阵具有特定的结构，如果矩阵中有规则或简单的结构，那么分解矩阵将是有意义的。先看以下几个例子： 例子1.以下是一个所有元素值都相等的矩阵 A=(111111111111111111111111111111111111) A=\begin{pmatrix} 1 &1 &1 &1 &1 &1 \\ 1 &1 &1 &amp
SVD奇异值分解，求解Homography,Fundamental矩阵
最新发布
weixin_47180908的博客
01-30 972
奇异值分解（Singular Value Decomposition，简称SVD）是一种在数学、信号处理和统计学中广泛使用的矩阵分解技术。：这是一个单位正交矩阵，它的列向量称为左奇异向量。：这是一个对角矩阵，其对角线上的元素是非负的实数，称为奇异值。这些奇异值通常按降序排列。奇异值的数量等于原矩阵的行数和列数中的较小者。右奇异向量矩阵VH：这同样是一个单位正交矩阵，它的列向量称为右奇异向量。注意这里的V表示V矩阵的共轭转置。可以用下面的公式表示。
史上最简SLAM零基础解读(3) - 白话来说SVD奇异值分解(1)→原理推导与奇异值求解举例
江南才尽江南山，年少无知年少狂！
03-29 2792
这篇博客，主要使用最通俗的语言来讲解SVD奇异值分解，通过该篇博客，将知道 SVD 的来龙去脉，底层原理。同时知道如何利用他去做图片压缩，PCA，求解矩阵(如 Fundamental 矩阵，Homography 矩阵)等。我会详细的讲解 SVD 的每一个细节。由浅到深，由窄到广。那么我们现在就开始吧。......
ORB-SLAM2学习笔记——CheckHomography函数
weixin_51326570的博客
03-14 556
1、理论部分 主要作用：计算误差，剔除外点，计算分数 代码部分 //去除外点，并计算分数 float Initializer::CheckHomography(const cv::Mat &H21, const cv::Mat &H12, vector<bool> &vbMatchesInliers, float sigma) { //匹配的点对数量 const int N = mvMatches12.size(); //提取本质矩阵中的值
史上最简SLAM零基础解读(5) - Homography,Fundamental,Essential深入浅出→了解适用场景:共面、非共面、仅旋转
江南才尽江南山，年少无知年少狂！
04-27 1854
通过文首的一系列博客，相信大家对于 Homography,Fundamental,Essential 矩阵已经有了一一定认知，比如他们的公式对应如下(前面的博文有推导):是两个相机的内参，$d_a$ 是相机坐标系 a 到特征点平面的距离，$\mathbf{n}$是特征点平面法向量，...
ORB-SLAM2 ---- Initializer::FindHomography函数
qq_41694024的博客
11-13 1033
计算单应矩阵，假设场景为平面情况下通过前两帧求取Homography矩阵，并得到该模型的评分
ORB-SLAM3~地图初始化
whaosoft143ai的博客
12-26 998
本质矩阵是一个3x3矩阵，但其是由旋转与平移组成（6自由度），并且，要注意到公式（11）可以对任意尺度成立，也就是说本质矩阵可以放缩任意一个尺度，因此，本质矩阵有5个自由度。双目由于已知两个相机的内外参，可以直接三角化出3D点。最简单的做法是利用分解出的R、t对匹配点进行三角化，并检查该3D点在两个相机下的深度值，3D点必须在两个相机下都是正的才是正确的解。在ORB_SLAM中，对于每一种解，都会对所有匹配点进行三角化，对三角化出来的点，会进行很多步骤的检查，最后选择拥有最多内点的解作为正确的解。
一步步带你看懂orbslam2源码--单目初始化(五)
Mr.Sliver的博客
11-14 2357
回顾:   前面我们已经讲解了orbslam2中的理论环节,包括了RANSAC随机采样一致性算法,阈值的选择缘由,对极约束的原理,单应矩阵和基础矩阵的计算,如何从单应矩阵或基础矩阵中分解出R,t,单目初始化单应矩阵或基础矩阵选择策略等.本章节我们将主要进行单目初始化的理论环节,话不多说,接下来就直接进入正题. 理论环节   先贴上Track()函数的整体框架代码,首先第一次执行时,mSta...
奇异值分解（SVD）算法c语言源代码
11-28
奇异值分解 SVD LSI 源码 奇异值分解 SVD LSI 源码 奇异值分解 SVD LSI 源码 奇异值分解 SVD LSI 源码
七点算法Matlab实现
01-16
实现了基础矩阵的七点算法，算法简单，适合初学者学习使用。
(01)ORB-SLAM2源码无死角解析-(16) 单目初始化Initializer→八点发求解Homography矩阵
江南才尽江南山，年少无知年少狂！
03-19 1552
这篇博客以及下篇博客，会分别讲解根据两张不同视角图特征点求解 Homography(单应性), 以及Fundamental(基本)矩阵，然后再讲解如何利用他们来求解相机位姿\color{red}{相机位姿}相机位姿。那么我们首先来看看什么是 Homography矩阵。1 、特征归一化 2 、随机选取八个点 3 、八点法求解H矩阵 4 、计算重投影误差 5 、选择最好的H矩阵，并且标记在线内的特征点下一篇博客我们再来看看 Fundamental 基本矩阵的求解方式。
(01)ORB-SLAM2源码无死角解析-(20) 分解Homography,恢复Rt→Faugeras SVD-based decomposition
江南才尽江南山，年少无知年少狂！
04-09 1809
通过前面的文章，知道了如何求解Homography 以及 Fundamental 矩阵。但是这是几个中间过程而已，求解 Homography 以及 Fundamental 是为了进一步求解旋转矩阵 $R$ 以及偏移矩阵 $t$, 通过 Homography 求解 $Rt$ 主要有以下两个方式：.........
探秘SLAM之Homography，Essential 和 Fundamental matrix
_微尘_的博客
08-02 5142
一.Homography   单应 ( homography )也叫射影映射，保线变换或射影变换。   在空间中同一平面的任意两幅图像通过单应性关联在一起（假定是针孔相机）。假设在一个图中的点xxx的坐标是(u,v,1)(u,v,1)(u,v,1)，与其相对应匹配点x′x′x'的坐标是(u′,v′,1)(u′,v′,1)(u',v',1)，单应性矩阵HHH。则有x=Hx′x=Hx′x=Hx'，...
ORB-SLAM学习总结
雪中冰雨
02-03 8389
ORB-SLAM学习总结
Introduction to computer vision( ud810, CS 6476)--epipolar geometry, fundamental matrix
qian1122221的博客
12-12 771
看这个CS6476的主要目的是知其然，能去解决遇到的一些问题，但是我也尽量知其所以然。 OMS地址：https://www.cc.gatech.edu/~afb/classes/CS4495-Spring2015-OMS/ 下面贴一下OMS的repo https://github.com/gkouros/intro-to-cv-ud810 这个是我觉得一个写得不错的。 这篇blog主要写...
opencv3之SVD
windistance的博客
07-22 9524
cv::SVD::compute static void cv::SVD::compute ( InputArray src, OutputArray w, OutputArray u, OutputArray vt, int flags = 0 ) 参数： //A=u*w*vt src decomposed matrix w calcul...
单目slam基础 特点匹配 光流匹配　单应变换恢复变换矩阵　本质矩阵恢复变换矩阵　深度滤波
万有文的博客
06-12 4509
特征点匹配 在讲解恢复R,T前，稍微提一下特征点匹配的方法。 常见的有如下两种方式： 1. 使用特征匹配。 　 计算特征点，然后计算特征描述子，通过描述子来进行匹配， 优点准确度高，缺点是描述子计算量大。 2. 光流法： 在第一幅图中检测特征点，使用光流法(Lucas Kanade method)对这些特征点进行跟踪， ...
orb-slam2源码无死角解析-(38)
04-30
本文主要介绍ORB-SLAM2中的一些关键实现细节，包括词袋建立、关键帧选择策略、词袋检索和位姿估计。此外还详细介绍了视觉里程计、闭环检测、地图维护等模块的实现细节。 首先，ORB-SLAM2通过建立词袋的方式实现了特征点的高效匹配。ORB-SLAM2采用了二叉树的结构生成了一个层次化的词袋，该词袋可以快速地检索到最相似的词，并将该词作为当前帧所属的类别。在后续的帧匹配过程中，ORB-SLAM2只需要搜索与当前帧类别相同的关键帧中的点即可，大大加快了匹配的效率。 其次，ORB-SLAM2采用了一种称为“闭线性三角测量”的方式估计位姿。该方法将两个视角下的匹配点转化为视差向量，并通过求解一组线性方程组来估计相邻帧之间的相对位姿。同时，该方法还能有效地处理重复区域和遮挡等问题，具有较高的鲁棒性。 此外，在关键帧选择方面，ORB-SLAM2采用了一种基于路标点的策略，即当当前帧与地图中的路标点距离较远时，就将当前帧作为新的关键帧。这种策略可以确保全局地图的均匀性和关键帧的稠密性。 最后，ORB-SLAM2采用了基于基础矩阵的闭环检测方法，该方法可以在时间和空间复杂度上达到较好的平衡。同时，ORB-SLAM2还采用了一种优化地图点云的方式，通过通过图优化的方式优化地图中的点云位置，确保了地图的准确性和一致性。
评论 1
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

江南才尽，年少无知！

你的鼓励将是我创作的最大动力

¥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