文章目录
- 一、函数意义
- 二、LocalMapping::ComputeF12()
- 1.函数讲解
- 2.函数代码
- 三、ORBmatcher::CheckDistEpipolarLine()
- 1.函数讲解
- 2.函数代码
- 四、总结
一、函数意义
这两个函数在LocalMapping::CreateNewMapPoints()被调用,之所以单独拿出来讲,是因为这两个函都是计算的函数,而且这里是可以用来优化ORB-SLAM2代码的部分,我们完全可以在这部分不用词袋来匹配,直接使用对极约束来进行匹配,匹配效果更好。
二、LocalMapping::ComputeF12()
1.函数讲解
本函数是计算F12矩阵的函数,这个矩阵描述的是从图像1到图像2的变换矩阵。原理是,获取图像1和图像2的旋转矩阵和平移矩阵,然后计算由图2坐标系到图1坐标系的旋转平移计算,这里比较难理解,因为代码直接给出了计算公式,没有给出推到过程,这里我将自己的推到过程放在下图。后续的计算中考虑到t12为31的向量,不好和旋转矩阵以及内参相乘,将其改造为33的矩阵t12x(构造情况见下图),最终的对极约束加入了相机的内参(最后一图的公式)。经三个图的讲解,大家应该能看懂代码为什么是这样的了。
2.函数代码
// 计算两个关键帧之间的基准矩阵
cv::Mat LocalMapping::ComputeF12(KeyFrame *&pKF1, KeyFrame *&pKF2)
{// 获取第一个关键帧的旋转矩阵和平移向量cv::Mat R1w = pKF1->GetRotation();cv::Mat t1w = pKF1->GetTranslation();// 获取第二个关键帧的旋转矩阵和平移向量cv::Mat R2w = pKF2->GetRotation();cv::Mat t2w = pKF2->GetTranslation();// 获取从相机2坐标系到相机1坐标系的旋转矩阵cv::Mat R12 = R1w*R2w.t();// 相机2坐标系到相机1坐标系的平移向量cv::Mat t12 = -R1w*R2w.t()*t2w+t1w;// 获取t12的反对称矩阵cv::Mat t12x = SkewSymmetricMatrix(t12);// 获取第一帧相机内参K1和第二帧内参K2const cv::Mat &K1 = pKF1->mK;const cv::Mat &K2 = pKF2->mK;// 返回两个关键帧之间的基础矩阵 Freturn K1.t().inv()*t12x*R12*K2.inv();
}
三、ORBmatcher::CheckDistEpipolarLine()
1.函数讲解
这个函数是用来判断匹配了的点是否符合对极约束的,是一种剔除误匹配点的判断条件,这里构造了一条直线,根据F12讲图2的点转换到图一中,按照理论来说,图一中点的应该在这条直线上(要满足约束),但实际情况是有噪声干扰的,几乎不可能那么准确的落在直线上,这时为了保证误差不太大,计算图1中匹配的点到这个直线的垂直距离,只要他在一定区域内就说明没有误匹配,只是噪声引起的误差,如果超出范围,我们认为是出现了误匹配。这个函数的原理不太难理解,相信大家看了我的讲解后对着代码可以看懂。这个函数最重要的点是,完全可以不用词袋匹配,直接使用对极约束匹配,每个点只找在对极约束内的点进行匹配,然后用直方图的方法来筛选误匹配的点,在修改代码后发现匹配的效果更好了。
2.函数代码
// 实现了一个用于检测两个特征点(关键点)是否满足对极几何约束的函数 CheckDistEpipolarLine
bool ORBmatcher::CheckDistEpipolarLine(const cv::KeyPoint &kp1,const cv::KeyPoint &kp2,const cv::Mat &F12,const KeyFrame* pKF2)
{// Epipolar line in second image l = x1'F12 = [a b c]const float a = kp1.pt.x*F12.at<float>(0,0)+kp1.pt.y*F12.at<float>(1,0)+F12.at<float>(2,0);const float b = kp1.pt.x*F12.at<float>(0,1)+kp1.pt.y*F12.at<float>(1,1)+F12.at<float>(2,1);const float c = kp1.pt.x*F12.at<float>(0,2)+kp1.pt.y*F12.at<float>(1,2)+F12.at<float>(2,2);const float num = a*kp2.pt.x+b*kp2.pt.y+c;const float den = a*a+b*b;if(den==0)return false;const float dsqr = num*num/den;return dsqr<3.84*pKF2->mvLevelSigma2[kp2.octave];
}
四、总结
这两个函数在ORB-SLAM2中看起来不那么重要,只是一个判断条件,但是思想非常的好,为我们提供了一种新的匹配思路,这也是我在学中发现的可以优化的点之一。我认为学习看源码不应该只看别人怎么做的,还需要加入自己的思考,在学习源码的过程中优化源码,在学玩后可以讲代码进行改进。对这部分还有问题或者尤其问题都欢迎交流。