【阅读文献】单目视觉SLAM方法综述【3】~数据关联优化

目录

2.2 数据关联的优化

2.2.1 固定区域匹配

2.2.2 Active Matching

2.2.3 1-Point RANSAC 

2.2.4 几何约束 

2.2 数据关联的优化

基于图像的特征检测与匹配不可避免地带有误差。如果直接使用图像特征匹配的结果作为数据关联的结果，往往会带来很大误差，以至于定位系统发散。

2.2.1 固定区域匹配

• 这种方法假设特征点在前后两帧图像像素距离在一个范围内，超过此范围即认为匹配错误
• PTAM以及一些改进方法主要利用这种方法来进行特征匹配的优化，降低特征匹配计算量。
• 方法实现简单，对于深度变化不大、特征点距离摄像机稍远的场景比较合适。但对于摄像机快速运动或者运动平行于图像平面的情况并不合适

2.2.2 Active Matching

•  Davison提出
• 主要用于EKF滤波的视觉SLAM系统，利用EKF 系统运动模型获得系统状态预测，进而估计环境特征点在摄像机估计姿态中的投影图像位置，获得特征点的图像分布区域。
• 能够适应摄像机的绝大部分运动情况，但对于摄像机姿态估计协方差较大的情况，容易产生较大的特征匹配的估计区域，仍然面临着错误匹配的可能。

2.2.3 1-Point RANSAC 

• Civera提出基于EKF-SLAM系统的1-Point RANSAC算法
• 不同于传统的RANSAC 方法，1-Point RANSAC 主要面向基于EKF 滤波的SLAM方法
• 该方法首先随机选取一个匹配点，用该点的匹配信息更新摄像机姿态。然后判断其他匹配点与估计图像位置的距离是否小于一定阈值来剔除外点。最后利用获得的内点集来更新整体滤波器状态。对于可能被剔除的卡尔曼增益较大的正确匹配点，重新加入内点集并再次更新系统状态。该方法由于要多次对滤波器进行更新，因此会损耗一定的运算时间。

2.2.4 几何约束 

 对于 单目视觉SLAM，可以利用 视觉几何的一些约束条件，如对极几何、PNP（perspectiveN points）等剔除错误的匹配点。

 这种方法不需要频繁更新系统状态，可以获得较好的系统运动速度，但这些方法对于不同情况采用不同几何约束条件，所以增加了系统复杂性。

--学习笔记 

文章来源: kings.blog.csdn.net，作者：人工智能博士，版权归原作者所有，如需转载，请联系作者。

原文链接：kings.blog.csdn.net/article/details/87918743