ORB-SLAM （四）Initializer單目初始化

一. 經過對極約束並行計算F和H矩陣初始化

　　VO初始化目的是爲了得到準確的幀間相對位姿，並經過三角化恢復出初始地圖點。初始化方法要求適用於不一樣的場景（特別是平面場景），而且不要進行人爲的干涉，例如選取視差大（large parallax）的場景（視差大表明相機移動會帶來明顯的圖像變化，一般距離相機距離越遠，距離相機光軸越近，視差越小）。ORB-SLAM中並行計算了適用於平面場景的單應性矩陣H和通常場景下的基礎矩陣F，而後經過打分選取合適的。ORB-SLAM的初始化要求是比較高的，只有在肯定初始化安全的狀況下，纔會去初始化。

首先複習一下對極約束

F矩陣適用於3D點不共面的狀況，咱們以左側相機爲參考系，約定

相機內參K，

空間點座標P = [X, Y, Z]^T; 齊次座標爲[X, Y, Z, 1]^T

在Z=1歸一化平面上的座標爲x_i = [X/Z, Y/Z, 1]^T，i=1, 2

圖像平面座標爲p_i = [u, v]，i=1, 2; 齊次座標爲[u, v, 1]

能夠推出p_i = Kx_i

對極約束就是知足：

p₂^T K^-T t^R K^-1 p₁=0

x₂^T t^R x₁ = 0

其中 E = t^R 稱爲本質矩陣（Essential Matrix），F = K^-T t^R K^-1基礎矩陣（Fundamental Matrix），根據匹配點的座標p1, p2能夠計算出F矩陣和E矩陣，E矩陣能夠經過8點法求解線性方程組獲得，而後經過對E矩陣奇異值分解E = UΣV^T，注意其中奇異值應該是[σ, σ, 0]的形式，表示圖像僅在2維空間中通過了縮放。若是發現得到奇異值不知足，須要將矩陣投影到E所知足的流形上。最後經過U, Σ, V計算出t和R

H矩陣適用於3D點共面的狀況

設P點所在平面知足 n^TP+d=0

將其結合對極約束p₂ = K(RP+t)

能夠獲得H矩陣與匹配點座標p1,p2之間的關係，一樣能夠經過求解線性方程而後分解矩陣的方法來獲取t和R

二. 步驟

1. 在金字塔0層上提取特徵點，匹配先後兩幀，獲得像素座標下的匹配點。

2. 並行計算H矩陣和F矩陣，其中H矩陣使用歸一化的DLT（直接線性變換）方法，F矩陣使用8-點法，具體能夠參考[1]， H矩陣使用8個點，F矩陣使用4個點，迭代次數設定爲相同，打分機制也設定平衡。

3. 若是場景接近平面，或者視差較小，可使用單應性矩陣來解釋。經過打分機制選擇模型。

4. 利用選擇的模型，恢復運動和地圖點。分解H矩陣能夠恢復出8種姿態，SVD分解E矩陣也能夠恢復出4種姿態，經過深度值以及場景的先驗信息，通常能夠獲得惟一知足要求的。可是小視角狀況下會出現判斷錯誤的狀況出現，所以ORB-SLAM中選擇使用這些備選姿態直接三角化出地圖點，再經過視角，深度以及重投影偏差來斷定是否有惟一解，若沒有，則放棄，從新回到第一步去初始化。

5. 若初始化成功，則進行GlobalBundleAdjustment

相比於PTAM和LSD-SLAM，ORB在NewCollege的室外平面場景中初始化魯棒性是比較出色的。

[1] 高翔，視覺SLAM十四講