2d-3d座標轉換
阿新 • • 發佈：2018-11-07
對於常規相機，SLAM裡使用針孔相機模型
簡而言之，一個空間點[x,y,z]和它在影象中的畫素座標[u,v,d] (d
指深度資料) 的對應關係是這樣的：
其中，fx,fy指相機在x,y兩個軸上的焦距，cx,cy指相機的光圈中心，s指深度圖的縮放因子。
這個公式是從(x,y,z)推到(u,v,d)的。反之，我們也可以把它寫成已知(u,v,d)，推導(x,y,z)的方式。請讀者自己推導一下。
不，還是我們來推導吧……公式是這樣的：
怎麼樣，是不是很簡單呢？事實上根據這個公式就可以構建點雲啦。
通常，我們會把fx,fy,cx,cy這四個引數定義為相機的內參矩陣C，也就是相機做好之後就不會變的引數。相機的內參可以用很多方法來標定，詳細的步驟比較繁瑣，我們這裡就不提了。給定內參之後呢，每個點的空間位置與畫素座標就可以用簡單的矩陣模型來描述了：
和t是相機的姿態。R代表旋轉矩陣，t代表位移向量。因為我們現在做的是單幅點雲，認為相機沒有旋轉和平移。所以，把R設成單位矩陣I，把t設成了零。s是scaling factor，即深度圖裡給的資料與實際距離的比例。由於深度圖給的都是short (mm單位)，s通常為1000。
ransac
在這裡複述下RANSAC的檢測流程，詳細的過程見上一篇翻譯文章：
RANSAC演算法的輸入是一組觀測資料，一個可以解釋或者適應於觀測資料的引數化模型，一些可信的引數。
RANSAC通過反覆選擇資料中的一組隨機子集來達成目標。被選取的子集被假設為局內點，並用下述方法進行驗證：
1.有一個模型?適應於假設的局內點，即所有的未知引數?都能從假設的局內點計算得出。
2.用1中得到的模型去測試所有的其它資料，如果某個點適用於估計的模型，認為它也是局內點。
3.如果有足夠多的點被歸類為假設的局內點，那麼估計的模型?就足夠合理。
4.然後，用所有假設的局內點去重新估計模型，?因為它僅僅被初始的假設局內點估計過。
5.最後，通過估計局內點與模型的錯誤率來評估模型?。
這個過程被重複執行固定的次數？，每次產生的模型要麼因為局內點太少而被捨棄，要麼因為比現有的模型更好而被選用。