(01)ORB-SLAM2源码无死角解析-(32) ORB特征匹配→跟踪线程BoW加速匹配,关键帧特征点跟踪SearchByBoW()

ORB-SLAM匹配算法之SearchByBoW(KeyFrame,Frame, MapPoint) //输入为关键帧,当前帧以及地图点vector //关键帧与当前帧进行特征点匹配 //返回匹配点数量 int ORBmatcher::SearchByBoW(KeyFrame* pKF,Frame &F, vector<MapPoint*> &vpMapPointMatches) { const vector<MapPoint*> vpMapP... 阅读详情

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(本文内容来自计算机视觉life ORB-SLAM2 课程课件):
(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} 文末正下方中心提供了本人联系方式,点击本人照片即可显示WX→官方认证
 

一、前言

前面两篇博客对 BoW 的构建,以及:BRIEF描述子转BoW向量进行了讲解。那么他有什么作用呢? 或者说,在什么地方可以得到应用。其实,利用到他的地方很多,比如跟踪线程中得关键帧特征点跟踪SearchByBoW()、局部建图线程中得搜索匹配三角化SearchForTriangulation。本来这个是后面进行讲解得内容,但是为了让大家了解源码是如何通过BoW加速匹配得。这里提前为大家分析这两个案例。这篇博客,就先来看看SearchByBoW()函数

 

二、源码流程

需要讲解的函数为: src/ORBmatcher.cc 文件中的 ORBmatcher::SearchByBoW(KeyFrame* pKF,Frame &F, vector<MapPoint*> &vpMapPointMatches)。该函数是为参考帧与普通帧之间的特征点匹配,还有另外一个重载函数,为关键帧与关键帧之间的特征匹配。两个重载函数的原理基本一致的,所以只讲解一个。

首先,需要明白该函数的目的: 输入一张关键帧 pKF,以及一张普通帧 F,然后获得匹配特征点对应的地图点vpMapPointMatches。

( 1 ) : \color{blue}{(1)}: (1): 获取关键帧的地图点(关键帧能够观测到的所有地图点)vpMapPointsKF;以及关键帧的词袋特征向量 vFeatVecKF,其存储多个元素,每个元素包含两个值,第一个值是所属节点id,以及该节点下所有特征点在图像中的索引。

( 2 ) : \color{blue}{(2)}: (2):构建角度差直方图,这个内容在前面的博客中已经进行过讲解 rotHist,主要是去除一些不符合主流方向的特征点,或者说异常点,也就是所谓的外点。

( 3 ) : \color{blue}{(3)}: (3):循环对关键帧 pKF,普通帧 F的特征所属节点,如果两个所属节点 id 相同。遍历该所属节点 pKF 的所有特征点,如果该特征点存在对应的地图点且不是坏点,则与该所属节点普通帧 F 的所有特征点进行匹配,即计算BRIEF描述子之间的汉明距离。

( 4 ) : \color{blue}{(4)}: (4):计算汉明距离的时候,会记录下最优距离以及次优距离,只有满足: ①最优距离小于指定阈值,②最佳匹配比次佳匹配明显要好。则两个条件,才认为是成功匹配。

( 5 ) : \color{blue}{(5)}: (5):成功匹配之后,把关键帧中与之对应的地图点赋值给 vpMapPointMatches。完成所有特征点点匹配之后,再通过角度差直方图,去除不符合主流方向的地图点,也就是设置为 NULL。返回成功匹配的地图点数目。

另外这里额外提及一些细节的东西: SearchByBoW 函数中存在代码如下:

        if(f1it->first == f2it->first)
        	......
        else if(f1it->first < f2it->first)
        	f1it = vFeatVec1.lower_bound(f2it->first);
        else
        	f2it = vFeatVec2.lower_bound(f1it->first);

因为 vFeatVec1,与 vFeatVec2 都是按照所属节点 id 从小到大排序的。如果 pKF1 中所属节点与 pKF2 中所属节点不匹配,则有两种情况:
①.f1it->first(pKF1所属节点id) 小于 f2it->first(pKF2所属节点id) →那么就把 f1it 的节点 id 增大,赋值成与 f2it 相同的节点,那么下一次循环,他们所属节点 id 就相同了。
②.f1it->first(pKF1所属节点id) 大于 f2it->first(pKF2所属节点id) →那么就把 f2it 的节点 增大,赋值成与 f1it 相同的节点,那么下一次循环,他们所属节点 id 就相同了。

 

三、源码注释

/*
 * @brief 通过词袋,对关键帧的特征点进行跟踪
 * 步骤
 * Step 1:分别取出属于同一node的ORB特征点(只有属于同一node,才有可能是匹配点)
 * Step 2:遍历KF中属于该node的特征点
 * Step 3:遍历F中属于该node的特征点,寻找最佳匹配点
 * Step 4:根据阈值 和 角度投票剔除误匹配
 * Step 5:根据方向剔除误匹配的点
 * @param  pKF               关键帧
 * @param  F                 当前普通帧
 * @param  vpMapPointMatches F中地图点对应的匹配,NULL表示未匹配
 * @return                   成功匹配的数量
 */
int ORBmatcher::SearchByBoW(KeyFrame* pKF,Frame &F, vector<MapPoint*> &vpMapPointMatches)
{
    // 获取该关键帧的地图点
    const vector<MapPoint*> vpMapPointsKF = pKF->GetMapPointMatches();

    // 和普通帧F特征点的索引一致
    vpMapPointMatches = vector<MapPoint*>(F.N,static_cast<MapPoint*>(NULL));

    // 取出关键帧的词袋特征向量
    const DBoW2::FeatureVector &vFeatVecKF = pKF->mFeatVec;

    int nmatches=0;

    // 特征点角度旋转差统计用的直方图
    vector<int> rotHist[HISTO_LENGTH];
    for(int i=0;i<HISTO_LENGTH;i++)
        rotHist[i].reserve(500);

    // 将0~360的数转换到0~HISTO_LENGTH的系数
    // !原作者代码是 const float factor = 1.0f/HISTO_LENGTH; 是错误的,更改为下面代码  
    const float factor = HISTO_LENGTH/360.0f;

    // We perform the matching over ORB that belong to the same vocabulary node (at a certain level)
    // 将属于同一节点(特定层)的ORB特征进行匹配
    DBoW2::FeatureVector::const_iterator KFit = vFeatVecKF.begin();
    DBoW2::FeatureVector::const_iterator Fit = F.mFeatVec.begin();
    DBoW2::FeatureVector::const_iterator KFend = vFeatVecKF.end();
    DBoW2::FeatureVector::const_iterator Fend = F.mFeatVec.end();

    while(KFit != KFend && Fit != Fend)
    {
        // Step 1:分别取出属于同一node的ORB特征点(只有属于同一node,才有可能是匹配点)
        // first 元素就是node id,遍历
        if(KFit->first == Fit->first) 
        {
            // second 是该node内存储的feature index
            const vector<unsigned int> vIndicesKF = KFit->second;
            const vector<unsigned int> vIndicesF = Fit->second;

            // Step 2:遍历KF中属于该node的特征点
            for(size_t iKF=0; iKF<vIndicesKF.size(); iKF++)
            {
                // 关键帧该节点中特征点的索引
                const unsigned int realIdxKF = vIndicesKF[iKF];

                // 取出KF中该特征对应的地图点
                MapPoint* pMP = vpMapPointsKF[realIdxKF]; 

                if(!pMP)
                    continue;

                if(pMP->isBad())
                    continue;

                const cv::Mat &dKF= pKF->mDescriptors.row(realIdxKF); // 取出KF中该特征对应的描述子

                int bestDist1=256; // 最好的距离(最小距离)
                int bestIdxF =-1 ;
                int bestDist2=256; // 次好距离(倒数第二小距离)

                // Step 3:遍历F中属于该node的特征点,寻找最佳匹配点
                for(size_t iF=0; iF<vIndicesF.size(); iF++)
                {
                    // 和上面for循环重名了,这里的realIdxF是指普通帧该节点中特征点的索引
                    const unsigned int realIdxF = vIndicesF[iF];

                    // 如果地图点存在,说明这个点已经被匹配过了,不再匹配,加快速度
                    if(vpMapPointMatches[realIdxF])
                        continue;

                    const cv::Mat &dF = F.mDescriptors.row(realIdxF); // 取出F中该特征对应的描述子
                    // 计算描述子的距离
                    const int dist =  DescriptorDistance(dKF,dF); 

                    // 遍历,记录最佳距离、最佳距离对应的索引、次佳距离等
                    // 如果 dist < bestDist1 < bestDist2,更新bestDist1 bestDist2
                    if(dist<bestDist1)
                    {
                        bestDist2=bestDist1;
                        bestDist1=dist;
                        bestIdxF=realIdxF;
                    }
                    // 如果bestDist1 < dist < bestDist2,更新bestDist2
                    else if(dist<bestDist2) 
                    {
                        bestDist2=dist;
                    }
                }

                // Step 4:根据阈值 和 角度投票剔除误匹配
                // Step 4.1:第一关筛选:匹配距离必须小于设定阈值
                if(bestDist1<=TH_LOW) 
                {
                    // Step 4.2:第二关筛选:最佳匹配比次佳匹配明显要好,那么最佳匹配才真正靠谱
                    if(static_cast<float>(bestDist1)<mfNNratio*static_cast<float>(bestDist2))
                    {
                        // Step 4.3:记录成功匹配特征点的对应的地图点(来自关键帧)
                        vpMapPointMatches[bestIdxF]=pMP;

                        // 这里的realIdxKF是当前遍历到的关键帧的特征点id
                        const cv::KeyPoint &kp = pKF->mvKeysUn[realIdxKF];

                        // Step 4.4:计算匹配点旋转角度差所在的直方图
                        if(mbCheckOrientation)
                        {
                            // angle:每个特征点在提取描述子时的旋转主方向角度,如果图像旋转了,这个角度将发生改变
                            // 所有的特征点的角度变化应该是一致的,通过直方图统计得到最准确的角度变化值
                            float rot = kp.angle-F.mvKeys[bestIdxF].angle;// 该特征点的角度变化值
                            if(rot<0.0)
                                rot+=360.0f;
                            int bin = round(rot*factor);// 将rot分配到bin组, 四舍五入, 其实就是离散到对应的直方图组中
                            if(bin==HISTO_LENGTH)
                                bin=0;
                            assert(bin>=0 && bin<HISTO_LENGTH);
                            rotHist[bin].push_back(bestIdxF);       // 直方图统计
                        }
                        nmatches++;
                    }
                }

            }
            KFit++;
            Fit++;
        }
        else if(KFit->first < Fit->first)
        {
            // 对齐
            KFit = vFeatVecKF.lower_bound(Fit->first);
        }
        else
        {
            // 对齐
            Fit = F.mFeatVec.lower_bound(KFit->first);
        }
    }

    // Step 5 根据方向剔除误匹配的点
    if(mbCheckOrientation)
    {
        // index
        int ind1=-1;
        int ind2=-1;
        int ind3=-1;

        // 筛选出在旋转角度差落在在直方图区间内数量最多的前三个bin的索引
        ComputeThreeMaxima(rotHist,HISTO_LENGTH,ind1,ind2,ind3);

        for(int i=0; i<HISTO_LENGTH; i++)
        {
            // 如果特征点的旋转角度变化量属于这三个组,则保留
            if(i==ind1 || i==ind2 || i==ind3)
                continue;

            // 剔除掉不在前三的匹配对,因为他们不符合“主流旋转方向”  
            for(size_t j=0, jend=rotHist[i].size(); j<jend; j++)
            {
                vpMapPointMatches[rotHist[i][j]]=static_cast<MapPoint*>(NULL);
                nmatches--;
            }
        }
    }

    return nmatches;
}

 

四、结语

通过这篇博客,大家知道了为什么使用 BoW 可以可以加快特征匹配,其实他的原理很简单,那就是两帧图像在进行特征对比的时候,只有所属节点id下的特征点才进行两两比较。下一篇博客,还会对局部建图BoW加速匹配,中的三角化SearchForTriangulation()函数进行讲解。

 
 
本文内容来自计算机视觉life ORB-SLAM2 课程课件

ORB-SLAM3 ORB特征提取与匹配 orb 特征提取 orb 特征匹配 阅读详情

相关推荐

基于OpenMP对orbslam中提取orb特征并行加速

写在前面 Orb特征的原理部分可以搜到很多讲解内容,这里就不赘述了,直接记录如何通过openmp对orb特征提取进行加速。Orb特征提取参考的orbslam2的代码实现,作者对提取过程加了很多包装,包括构建四叉树分散特征点等。加速代码在这个地方。 https://github.com/BlackApple-LMZ/orb_extractor_with_openmp 加速首先要分析从代码实现角度来讲哪个地方可以并行加速;然后考虑这个地方的时间消耗占比,如果占比很低,用openmp加速反而会变慢,适得其反

wuliyanyan的博客 1739

ORB-SLAM2 ---- ORBmatcher::SearchByBoW函数

ORB-SLAM2 ---- ORBmatcher::SearchByBoW函数解析

qq_41694024的博客 1840

ICNN实现入侵检测的思路与源码(CIC-IDS-2017)

基于ICNN实现入侵检测,可用于现实网络

t1274171989的博客 8417

4、ORB-SLAM闭环检测之通过词袋寻找当前关键帧和闭环候选帧之间的匹配

目录1、 SearchByBoW2、图解每一步实现原理2.1 通过词袋模型寻找匹配2.2 通过旋转直方图来筛除离群点 前面,我们已经了解到了sim3的求解流程,具体计算过程中有三步比较重要:1、寻找两关键帧之间的粗匹配来粗略估计sim3;2、由粗略估计出的sim3来寻找两关键帧之间更多的匹配;3、构建图优化模型,固定地图点通过两关键帧的地图点到两帧的重投影误差来优化sim3. 1、 SearchByBoW 函数SearchByBoW()。通过词袋,对关键帧的特征点进行跟踪,该函数用于闭环检测时两个关键帧间的

Walking_roll的博客 2291

华为eNSP与VMware虚拟机联动实战:从零搭建仿真网络环境

本文详细介绍了如何从零开始搭建华为eNSP与VMware虚拟机的联动仿真网络环境。通过环境准备、网络适配器配置、eNSP与VMware网络集成、安全策略与NAT配置等步骤,帮助读者掌握构建企业级网络实验场景的关键技术。这种组合特别适合网络工程师进阶训练和华为认证考试准备,实现低成本、高灵活性的网络仿真实验。

weixin_30415113的博客 505

激光雷达接收芯片选型指南:APD、SiPM、SPAD阵列的优缺点对比

本文深入对比了激光雷达接收芯片APD、SiPM和SPAD阵列的核心技术原理与性能差异。APD作为线性模式工作的稳健选择,动态范围大;SiPM具备单光子探测和高增益优势;而SPAD阵列凭借像素级数字读出和集成TDC,在时间分辨率与系统集成度上领先。文章从灵敏度、时间精度、动态范围及系统成本等多维度剖析,为不同应用场景(如车载雷达、Flash LiDAR、消费电子)的芯片选型提供实战指南。

ik6789012的博客 663

跟踪线程(一):基于关键帧跟踪

本次我们主要讲解ORBSLAM2中跟踪模式的一种,基于参考关键帧的跟踪,这种跟踪模式主要用于没有速度信息,刚完成重定位或者恒速模型跟踪失败后进行,主要的函数为TrackReferenceKeyFrame(),其中主要进行了以下工作: 将当前帧的描述子转化为BoW向量 // Step 1:将当前帧的描述子转化为BoW向量 mCurrentFrame.ComputeBoW(); 这个函数之前已经提到过 在当前帧和参考关键帧之间利用DBOW加速匹配来寻找匹配关系 // We perform firs

weixin_39061796的博客 575

手把手教你用U盘给海信IP501H刷机:GK6323V100C芯片的4.4.2和9.0固件实战

本文详细介绍了海信IP501H电视盒子基于GK6323V100C芯片的刷机实战指南,涵盖Android 4.4.2强刷和Android 9.0免拆刷机两种方案。从工具准备、短接操作到ADB调试,提供全流程解析和常见问题解决方案,帮助用户安全高效地完成刷机操作。

lemon的博客 1474

基于BOW(词袋)的暴力匹配算法中的极线约束

极线约束描述的是当同一个点投影到两个不同视角的图像上时,像点、相机光心在投影模型下形成的约束。这些术语都是人为定义的,方便业内人士交流而已。如果世界点P(未知)在image。换句话说,P2e2是P1的极线,P1e1是P2的极线。这就是极线约束,可以缩小特征点匹配时搜索范围。被称为极平面,极平面与像平面image。被称为基线,基线与像平面image。已知),那么世界点P在image。如图所示, 两个相机光心连线为。

Michael的博客 429

ESP-SR实战:从零搭建智能语音唤醒与命令识别系统

本文详细介绍了如何利用乐鑫ESP-SR框架,从零开始搭建一个完整的离线智能语音交互系统。内容涵盖硬件选型(推荐ESP32-S3与数字麦克风)、开发环境配置(ESP-IDF与ESP-ADF),并深入解析了AFE声学前端、WakeNet唤醒词检测和MultiNet命令词识别三大核心模块的工作原理与实战配置。通过具体的代码示例和调试技巧,指导开发者快速实现高识别率的语音唤醒与命令控制功能。

weixin_29161785的博客 302

(论文加源码)基于CNN和LSTM的脑电情绪识别(数据集为DEAP和seed)

论文及源码见个人主页:https://download.csdn.net/download/qq_45874683/84118637?spm=1001.2014.3001.5503 (论文加源码)基于CNN和LSTM的脑电情绪识别(数据集为DEAP和seed)4D-CRNN 目录 目录: 运行过程: 1. 运行1D文件(没有什么bug): 2. 再运行3D文件(没有出现bug): 3. 最后运行main文件(出现了两个bug)(前提需要配置好tensorflow的框架): 第一个bug是..

qq_45874683的博客 6366

计算机视觉-基于BOW模型的图像检索和匹配

计算机视觉-基于BOW模型的图像检索和匹配基本概念Bag of features:基础流程Bag of features:学习特征词典Bag of features:图像检索代码实现 基本概念 Bag of features:基础流程 Bag-of-words 简称BOW,也叫做“词袋”,最初是为解决文档建模问题而提出的,在信息检索中,BOW模型假定对于一个文本,忽略其词序和语法、句法,将其仅看做是一个词集合,或者说是词的一个组合,文本中每个词的出现都是独立的,不依赖于其他词是否出现。 通过单词计数构建词袋

weixin_54622116的博客 394

YOLOv11改进 | 主干/Backbone篇 | 华为最新目标检测网络VanillaNet(适配yolov11的N、S、M、L、X)

本文给大家来的改进机制是华为最新VanillaNet网络VanillaNet是一种注重极简主义和效率的神经网络架构。它的设计简单,层数较少,避免了像深度架构和自注意力这样的复杂操作(需要注意的是该网络结构的通道数会被放大,GFLOPs的量会很高)。我将其替换整个YOLOv10的Backbone,在一些大目标和小目标检测上均有涨点,效果比上一篇RepViT的效果要好。

Snu77的博客 2587

ORBSLAM2系列-Tracking跟踪线程

最后进行的投影匹配是使用关键帧的地图点(除了上面优化时候使用的内点)投影到当前帧,然后再进行网格搜索(这个过程与初始化时候一样),得到能够匹配点(这个投影匹配是函数,整体过程也是与局部地图跟踪一样)在重定位的最后,根据条件一共运行了两次投影匹配+重投影误差优化,都是为了能够找回跟踪,如果某一候选关键帧完成了整个重定位过程,那么就不再计算其他的候选关键帧(这部分主要看程序,逻辑简单,主要就是两个函数不断的挽救跟踪)

一只废佐_的博客 759

七天征服AutoSAR/SomeIP_01速成配置并代码生成

本文为AutoSAR中SomeIP配置开发的实操指南摘要,重点介绍通过通信矩阵快速构建SomeIP工程的方法。核心内容包括:1)基于Excel通信矩阵生成系统描述文件(arxml);2)在AutoSAR工具中导入文件自动生成协议栈配置,涵盖ETHIF、SoAd等模块;3)关键报错处理(COM/PDUR/SOAD/SD模块的配置修正);4)SomeIPXF的数据编解码配置;5)SWC组件与RTE任务映射。教程强调"先完成再完美"的实践原则,指导开发者快速生成基础代码框架,为后续协议调试奠定

大叔带刺的博客 312

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

orb-slam2 从单目开始的简单学习(4):match

orb-slam2 从单目开始的简单学习(4):match

weixin_50862344的博客 524

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

ORB-SLAM2详解(四)跟踪

ORB-SLAM2详解(四)跟踪

sylvester的博客 2万+

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

视觉里程计01 - ORB特征提取与跟踪

orb特征 概念网上描述的很详细,这里简单说一下 采用改进的FAST特征点,在FAST特征点提取的基础上加入多层金字塔来确定不同尺度下的特征点 用ID3方法来确定最优特征点 采用非极大值抑制去除局部较密集特征点 尺度不变性用金字塔来确定,旋转不变性用图像质心的夹角来确定 描述子采用BRIEF 总的来说该算法比surf还要快,而且准确率也很不错。 orb特征提取与跟踪代码 主体部分来自...

dengwei7228的博客 380

特征匹配目标跟踪(FAST+ORB)

这里直接用的是opencv3.0.0自带函数进行处理。 #include <iostream> #include <signal.h> #include <vector> #include <opencv2/opencv.hpp> using namespace cv; using namespace std; bool tracking = ...

Joemt 2299

(01)ORB-SLAM2源码无死角解析-(30) ORB特征匹配→词袋BoW(bag of words):简介,优劣势分析

在上一篇博客中,对两张图像特征匹配进行了讲解,但是其匹配的过程默认所有特征点权重都是一样的,但是现实生活中,有的关键点是十分常见的,也就是说其辨识度是比较底的,但是有的特征点是非常罕见的,也就是就该特征点辨识度高,更具独特性。那么就来说说为什么要通过词袋(BoW)进行特征匹配。通过该篇博客,了解了词袋BoW(bag of words) 基本概念,以及其离线训练与构建结构。以及 BoW 为什么使用 BRIEF 描述子。当然,这些都是理论的知识,接下来就是对代码的讲解了。

江南才尽江南山,年少无知年少狂! 1865

SLAM学习笔记4: ORB-SLAM中BOW特征匹配

通常估计两帧之间的运动, 我们需要分别计算两帧中的所有特征点, 然后计算特征点之间的匹配关系. 再通过对应特征点的移动情况来估计两帧之间的摄像机运动.这中间会涉及好很多问题, 至今未能得到有效解决: 提取特征点的类型: 众所周知, 对于自然场景图像, SIFT和SURF特征点具有非常好的特性, 充分考虑了尺度, 光照, 旋转等因素的影响. 然而SIFT, SURF特征的计算非常耗时, 很难满足实时应

调味瓶的技术宅梦想实现路 1万+

ORB-SLAM2从理论到代码实现(五):ORBmatcher.cc程序详解

本人邮箱 jinbo666888@qq.com,欢迎交流!转载请注明地址https://blog.csdn.net/qq_20123207/article/details/82502207 在上篇博客中,我主要写了多视图几何中的知识。本篇博客我们一起学习ORBmatcher.CC。 1.主要方法介绍 SearchByProjection(Frame &amp;F, const vector&...

qq_20123207的博客 5781

ORB-SLAM2代码(四)特征点匹配

orb-slam作为一款优秀的特征点slam方法,其特征点匹配好坏相当重要,直接关系到建图和定位的准确度。 1、特征点提取 orb特征点是对fast角点的改进,通过加入尺度和旋转的属性,使得orb特征点具备了尺度和旋转不变性. 1.1 特征点数目 每一金字塔层选取特征点理论总数目nfeatures,随着金字塔层数越高(分辨率越低),按照等比数列下降. 1.2 fast角点 在提取特征之前,先要获...

陋室逢雨 1万+

ORB特征匹配 投影匹配 极线搜索匹配 方向一致性过滤 尺度过滤

/** * This file is part of ORB-SLAM2. * ORB_ 匹配点 * * 该类负责 * 1特征点与特征点之间, * 2地图点与特征点之间通过投影关系 * 3词袋模型 DBow2进行匹配 * 4Sim3位姿匹配。 * * 用来辅助完成单目初始化,三角化恢复新的地图点,tracking,relocalization以及loop closing, * 因此比较重要。 *

万有文的博客 5526

ORBmatcher类

这个类主要是利用投影和Bows寻找3D-2D,2D-2D的匹配。应用于跟踪局部建图回环检测。 SearchByProjection函数: 1:用于局部地图跟踪 在当前帧的局部地图中寻找更多的3D-2D匹配,这样可以增加位姿计算的精准度。 其中设置了各种约束条件,比如说右目误差要在范围之内,第二最佳距离要比最佳距离大到一定程度等等。 2:用于跟踪 在上一帧图像和当前帧图像中,通过投影找更多匹配 在其...

weixin_39373577的博客 1411

总结|ORB_SLAM2源码中字典使用细节

点击上方“3D视觉工坊”,选择“星标”干货第一时间送达前言前段时间,主要对ORB-SLAM2中字典的训练与使用进行了些研究,关于字典的训练之前也写过一篇文章:VSLAM|回环检测之词袋字...

3D视觉工坊 2966
上一篇: (01)ORB-SLAM2源码无死角解析-(34) 跟踪线程→初步了解跟踪线程,参考关键帧追踪TrackReferenceKeyFrame()
下一篇: (01)ORB-SLAM2源码无死角解析-(35) 跟踪线程→恒速模型跟踪当前普通帧TrackWithMotionModel()
江南才尽,年少无知!
江南才尽,年少无知! 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄8年 4万+粉丝 519原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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
⌂ 换网址