机器视觉（AOI）之基于激光雷达增强的三维重建（4）
广东吉洋视觉：SMT AOI,LED AOI,焊线AOI,焊线检测AOI。C、 相对运动验证一旦找到了相对运动，就能够树立一个姿势图，其中节点表示图像帧的姿势，边表示相对运动。大局姿势能够经过均匀位姿图上的相对运动来求解。但是，因为环境中的视觉含糊性（见下图），可能存在无效的边际，而且直接均匀相对运动可能会产生不正确的大局姿势。因此，设计了一个两步边际验证计划来去除异常值。（1）在第一步中，检查所有图像帧对的激光雷达点云的堆叠，并剔除不一致的点云。（2）第二步中检查回环的一致性。D、 大局位姿初始化这部分主要介绍优化大局帧的代价函数：图片E、三角化与RANSAC 本文选用文鲁棒三角化办法，对每个三维特征点运用RANSAC来寻找最佳的三角化视图。对于每个轨迹，它是不同相机视图中一个特征点的观察值的调集，随机对两个视图进行采样，并运用DLT办法对该点进行三角化。经过将该点投影到其他视图上并挑选具有较小重投影差错的视图，能够找到更匹配的视图。此进程重复多次，并保留最大的一组内部视图（至少需求3个视图）。最终，经过最小化重投影差错，利用内联视图优化特征点在大局结构中的位姿。F、联合位姿优化根据视觉的SfM算法的位姿优化一般经过束调整（BA）来实现。但是，因为多个系统原因，如特征方位不准确、标定不准确、对应异常值等，位姿估计在长距离内可能会产生较大的漂移，尤其是在无法有效地发现闭合环路的情况下。为了处理这个问题，我们考虑利用激光雷达的远距离才能来限制相机的运动，该计划将相机机和激光雷达观测值联合最优化。这部分内容可检查原文理解公式。
郑重声明：
1、部分内容来源于网络，本文版权归原作者所有，转载文章仅为传播更多信息之目的。
2、本文仅供学术交流，非商用。如果某部分不小心侵犯了大家的利益，请联系删除。
