ORB-SLAM2 ----- LocalMapping::ComputeF12和ORBmatcher::CheckDistEpipola ...

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盘算的函数，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消词袋来匹配，直接利用对极束缚来举行匹配，匹配效果更好。
  二、LocalMapping::ComputeF12()

1.函数讲解

   本函数是盘算F12矩阵的函数，这个矩阵描述的是从图像1到图像2的变动矩阵。原理是，获取图像1和图像2的旋转矩阵宁静移矩阵，然后盘算由图2坐标系到图1坐标系的旋转平移盘算，这里比较难明白，因为代码直接给出了盘算公式，没有给出推到过程，这里我将本身的推到过程放在下图。后续的盘算中思量到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）,终极的对极束缚到场了相机的内参（最后一图的公式）。经三个图的讲解，各人应该能看懂代码为什么是如许的了。

  2.函数代码

1. // 计算两个关键帧之间的基准矩阵
2. cv::Mat LocalMapping::ComputeF12(KeyFrame *&pKF1, KeyFrame *&pKF2)
3. {
4.     // 获取第一个关键帧的旋转矩阵和平移向量
5.     cv::Mat R1w = pKF1->GetRotation();
6.     cv::Mat t1w = pKF1->GetTranslation();
8.     // 获取第二个关键帧的旋转矩阵和平移向量
9.     cv::Mat R2w = pKF2->GetRotation();
10.     cv::Mat t2w = pKF2->GetTranslation();
11.    
12.     // 获取从相机2坐标系到相机1坐标系的旋转矩阵
13.     cv::Mat R12 = R1w*R2w.t();
14.     // 相机2坐标系到相机1坐标系的平移向量
15.     cv::Mat t12 = -R1w*R2w.t()*t2w+t1w;
17.     // 获取t12的反对称矩阵
18.     cv::Mat t12x = SkewSymmetricMatrix(t12);
19.    
20.     // 获取第一帧相机内参K1和第二帧内参K2
21.     const cv::Mat &K1 = pKF1->mK;
22.     const cv::Mat &K2 = pKF2->mK;
24.     // 返回两个关键帧之间的基础矩阵 F
25.     return K1.t().inv()*t12x*R12*K2.inv();
26. }

复制代码

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束缚的，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（要满足束缚），但实际情况是有噪声干扰的，几乎不大概那么正确的落在直线上，这时为了包管误差不太大，盘算图1中匹配的点到这个直线的垂直间隔，只要他在肯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，我们以为是出现了误匹配。这个函数的原理不太难明白，信赖各人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，完全可以不消词袋匹配，直接利用对极束缚匹配，每个点只找在对极束缚内的点举行匹配，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

1. // 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
2. bool ORBmatcher::CheckDistEpipolarLine(const cv::KeyPoint &kp1,const cv::KeyPoint &kp2,const cv::Mat &F12,const KeyFrame* pKF2)
3. {
4.     // Epipolar line in second image l = x1'F12 = [a b c]
5.     const float a = kp1.pt.x*F12.at<float>(0,0)+kp1.pt.y*F12.at<float>(1,0)+F12.at<float>(2,0);
6.     const float b = kp1.pt.x*F12.at<float>(0,1)+kp1.pt.y*F12.at<float>(1,1)+F12.at<float>(2,1);
7.     const float c = kp1.pt.x*F12.at<float>(0,2)+kp1.pt.y*F12.at<float>(1,2)+F12.at<float>(2,2);
9.     const float num = a*kp2.pt.x+b*kp2.pt.y+c;
11.     const float den = a*a+b*b;
13.     if(den==0)
14.         return false;
16.     const float dsqr = num*num/den;
18.     return dsqr<3.84*pKF2->mvLevelSigma2[kp2.octave];
19. }

复制代码

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。我以为学习看源码不应该只看别人怎么做的，还必要到场本身的思索，在学习源码的过程中优化源码，在学玩后可以讲代码举行改进。对这部分还有问题或者尤其问题都欢迎交流。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。