點(diǎn)擊上方“3D視覺工坊”，選擇“星標(biāo)”

干貨第一時(shí)間送達(dá)

作者丨paopaoslam

來源丨泡泡機(jī)器人SLAM?

標(biāo)題：Continuous Scale-Space Direct Image Alignment for Visual Odometry from RGB-D Image

作者：Yassine Ahmine, Guillaume Caron, Fatima Chouireb, and El Mustapha Mouaddib

來源：2021 IEEE International Conference on Robotics and Automation (ICRA 2021) ?

編譯：李健

審核：Zoe，王靖淇

摘要

本文提出了一種新的稠密 3D 圖像對齊算法，該算法根據(jù)像素強(qiáng)度估計(jì)一對相機(jī)位姿之間的歐氏變換矩陣。其創(chuàng)新之處在于使用圖像的尺度空間表示，在多分辨率圖像金字塔的每個(gè)層級內(nèi)進(jìn)行自動(dòng)尺度適應(yīng)。這是通過在同一優(yōu)化框架中不斷優(yōu)化尺度參數(shù)和相機(jī)位姿參數(shù)來完成的。本文所提出的方法顯著地提高較大的幀間運(yùn)動(dòng)的直接圖像對齊的魯棒性。在TUM RGB-D 數(shù)據(jù)集上的各項(xiàng)實(shí)驗(yàn)表明，該算法優(yōu)于前沿的基于固定尺度金字塔的對齊方法。

圖1. ?所考慮的算法目標(biāo)是對齊一對圖像{I1, ?I2}，其中對齊產(chǎn)生的圖像是 GI2(W, λ) 和 I2(W)。基于固定尺度金字塔的方法無法對齊圖像，因?yàn)樗萑刖植孔钚≈抵?#xff0c;而基于優(yōu)化尺度金字塔的方法能夠成功對齊，因?yàn)樗軌蜃赃m應(yīng)調(diào)整圖像平滑以抑制局部最小值。

圖2. 上圖：如圖所示為每個(gè)自由度的代價(jià)函數(shù)與粒度最大金字塔層級的尺度空間自由度相結(jié)合。中間：λ = 5 和 λref = 1 的剖面圖。底部：λ = 0.1 和 λref = 1 的剖面圖（相當(dāng)于固定比例的情況）

圖3. 優(yōu)化過程中歸一化光度誤差的變化(對于每個(gè)金字塔層)和相應(yīng)的尺度參數(shù)。藍(lán)線表示λ在每次迭代時(shí)的值(x軸)，紅色虛線表示λref。

表I. 本文提出的方法和PP-B方法在fr1/room序列上的RPE（相對位姿誤差）統(tǒng)計(jì)。

表II. 本文提出的方法和PP-B方法在fr1/desk序列上的RPE（相對位姿誤差）統(tǒng)計(jì)。

表III. 本文提出的方法和PP-B方法在fr2/desk序列上的RPE（相對位姿誤差）統(tǒng)計(jì)。

表IV. 本文提出的方法和PP-B方法在fr2/desk序列上的RPE（相對位姿誤差）均方根誤差和平均值。

表V. 本文提出的方法和PP-B方法在fr1/desk序列上的RPE（相對位姿誤差）均方根誤差和平均值。

表VI. 本文提出的方法和PP-B方法在fr1/room序列上的RPE（相對位姿誤差）均方根誤差和平均值。

表VII. ?本文提出的方法和PP-B方法在fr2/desk序列上的ATE（絕對軌跡誤差）均方根誤差和平均值。

圖4. fr1/desk和fr1/room序列中不同圖像步（image step，連續(xù)的一組圖像）中的圖像對示例

表VIII. ?本文提出的方法和PP-B方法在fr1/desk序列上的ATE（絕對軌跡誤差）均方根誤差。

表IX. ?本文提出的方法和PP-B方法在fr2/desk序列上的ATE（絕對軌跡誤差）均方根誤差。

圖5. fr1/floor序列中談及的圖像步的ATE（絕對軌跡誤差）均方根誤差和平均值的變化（單位：m）

圖6. fr1/desk序列中圖像步為1時(shí)的相機(jī)速度（a）、相機(jī)加速度（b）和估計(jì)誤差（c）隨時(shí)間的變化

圖7. fr1/desk序列中圖像步為4時(shí)的相機(jī)速度（a）、相機(jī)加速度（b）和估計(jì)誤差（c）隨時(shí)間的變化

圖8. 每個(gè)軌跡的絕對誤差如圖所示。對于 fr1/room 序列，考慮不同的圖像步數(shù)：1 (a)、2 (b)、3 (d) 和 4 ?(e)。(c) 和 (f) 分別顯示了圖像步為 1 和 4 的估計(jì)軌跡以及真值（在 xy 平面上）。PP-B 和新的 OP-B 方法分別為紅色和藍(lán)色。真值軌跡為黑色。

圖9. 每個(gè)軌跡的絕對誤差如圖所示。對于 fr1/desk 序列，考慮不同的圖像步數(shù)：1 (a)、2 (b)、3 (d) 和 4 ?(e)。(c) 和 (f) 分別顯示了圖像步為 1 和 4 的估計(jì)軌跡以及真值（在 xy 平面上）。PP-B 和新的 OP-B 方法分別為紅色和藍(lán)色。真值軌跡為黑色。

圖10. 每個(gè)軌跡的絕對誤差如圖所示。對于 fr2/desk 序列，考慮不同的圖像步數(shù)：1 (a)、2 (b)、3 (d) 和 4 ?(e)。(c) 和 (f) 分別顯示了圖像步為 1 和 4 的估計(jì)軌跡以及真值（在 xy 平面上）。PP-B 和新的 OP-B 方法分別為紅色和藍(lán)色。真值軌跡為黑色。

圖11. 每個(gè)軌跡的絕對誤差如圖所示。對于 fr1/floor 序列，考慮每張圖像（a）和 2取1的圖像（c）， (b) 和 (d) 分別顯示了圖像步為 1 和 2的估計(jì)軌跡以及真值（在 xy 平面上）。PP-B 和新的 OP-B 方法分別為紅色和藍(lán)色。真值軌跡為黑色。

Abstract

In this paper, we propose a novel dense 3D image alignment algorithm that estimates the Euclidean transformation between pairs of camera poses from pixel intensities. The novelty consists in the automatic scale adaptation within each level of a multi-resolution image pyramid, using the scale-space representation of images. This is done through the continuous optimization of a scale parameter along with camera pose parameters in the same optimization framework. The proposed approach permits to significantly improve the robustness of the direct image alignment to large inter-frame motion. Various experiments on the TUM RGB-D dataset show that the proposed algorithm outperforms a fixed scale pyramidbased state-of-the-art alignment method.??

如果你對本文感興趣，請點(diǎn)擊點(diǎn)擊閱讀原文下載完整文章

百度網(wǎng)盤提取碼：iv7g

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請聯(lián)系刪文。

干貨下載與學(xué)習(xí)

后臺(tái)回復(fù)：巴塞羅那自治大學(xué)課件，即可下載國外大學(xué)沉淀數(shù)年3D Vison精品課件

后臺(tái)回復(fù)：計(jì)算機(jī)視覺書籍，即可下載3D視覺領(lǐng)域經(jīng)典書籍pdf

后臺(tái)回復(fù)：3D視覺課程，即可學(xué)習(xí)3D視覺領(lǐng)域精品課程

3D視覺精品課程推薦：

1.面向自動(dòng)駕駛領(lǐng)域的多傳感器數(shù)據(jù)融合技術(shù)

2.面向自動(dòng)駕駛領(lǐng)域的3D點(diǎn)云目標(biāo)檢測全棧學(xué)習(xí)路線！(單模態(tài)+多模態(tài)/數(shù)據(jù)+代碼)
3.徹底搞透視覺三維重建：原理剖析、代碼講解、及優(yōu)化改進(jìn)
4.國內(nèi)首個(gè)面向工業(yè)級實(shí)戰(zhàn)的點(diǎn)云處理課程
5.激光-視覺-IMU-GPS融合SLAM算法梳理和代碼講解
6.徹底搞懂視覺-慣性SLAM：基于VINS-Fusion正式開課啦
7.徹底搞懂基于LOAM框架的3D激光SLAM: 源碼剖析到算法優(yōu)化
8.徹底剖析室內(nèi)、室外激光SLAM關(guān)鍵算法原理、代碼和實(shí)戰(zhàn)(cartographer+LOAM +LIO-SAM)

9.從零搭建一套結(jié)構(gòu)光3D重建系統(tǒng)[理論+源碼+實(shí)踐]

10.單目深度估計(jì)方法：算法梳理與代碼實(shí)現(xiàn)

11.自動(dòng)駕駛中的深度學(xué)習(xí)模型部署實(shí)戰(zhàn)

12.相機(jī)模型與標(biāo)定(單目+雙目+魚眼）

13.重磅！四旋翼飛行器：算法與實(shí)戰(zhàn)

14.ROS2從入門到精通：理論與實(shí)戰(zhàn)

15.國內(nèi)首個(gè)3D缺陷檢測教程：理論、源碼與實(shí)戰(zhàn)

重磅！3DCVer-學(xué)術(shù)論文寫作投稿?交流群已成立

掃碼添加小助手微信，可申請加入3D視覺工坊-學(xué)術(shù)論文寫作與投稿?微信交流群，旨在交流頂會(huì)、頂刊、SCI、EI等寫作與投稿事宜。

同時(shí)也可申請加入我們的細(xì)分方向交流群，目前主要有3D視覺、CV&深度學(xué)習(xí)、SLAM、三維重建、點(diǎn)云后處理、自動(dòng)駕駛、多傳感器融合、CV入門、三維測量、VR/AR、3D人臉識(shí)別、醫(yī)療影像、缺陷檢測、行人重識(shí)別、目標(biāo)跟蹤、視覺產(chǎn)品落地、視覺競賽、車牌識(shí)別、硬件選型、學(xué)術(shù)交流、求職交流、ORB-SLAM系列源碼交流、深度估計(jì)等微信群。

一定要備注：研究方向+學(xué)校/公司+昵稱，例如：”3D視覺?+ 上海交大 + 靜靜“。請按照格式備注，可快速被通過且邀請進(jìn)群。原創(chuàng)投稿也請聯(lián)系。

▲長按加微信群或投稿

▲長按關(guān)注公眾號

3D視覺從入門到精通知識(shí)星球：針對3D視覺領(lǐng)域的視頻課程（三維重建系列、三維點(diǎn)云系列、結(jié)構(gòu)光系列、手眼標(biāo)定、相機(jī)標(biāo)定、激光/視覺SLAM、自動(dòng)駕駛等）、知識(shí)點(diǎn)匯總、入門進(jìn)階學(xué)習(xí)路線、最新paper分享、疑問解答五個(gè)方面進(jìn)行深耕，更有各類大廠的算法工程人員進(jìn)行技術(shù)指導(dǎo)。與此同時(shí)，星球?qū)⒙?lián)合知名企業(yè)發(fā)布3D視覺相關(guān)算法開發(fā)崗位以及項(xiàng)目對接信息，打造成集技術(shù)與就業(yè)為一體的鐵桿粉絲聚集區(qū)，近5000星球成員為創(chuàng)造更好的AI世界共同進(jìn)步，知識(shí)星球入口：

學(xué)習(xí)3D視覺核心技術(shù)，掃描查看介紹，3天內(nèi)無條件退款

?圈里有高質(zhì)量教程資料、答疑解惑、助你高效解決問題

覺得有用，麻煩給個(gè)贊和在看~??

總結(jié)

以上是生活随笔為你收集整理的基于RGB-D图像的视觉里程计连续尺度空间直接图像对齐 (ICRA 2021)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。