視覺SLAM十四講：從理論到實踐

定　價：￥75.00

作　者：	高翔，張濤等著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	計算機/網(wǎng)絡人工智能

購買這本書可以去

ISBN：	9787121311048	出版時間：	2017-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	400	字數(shù)：

內容簡介

　　《視覺SLAM十四講：從理論到實踐》系統(tǒng)介紹了視覺SLAM（同時定位與地圖構建）所需的基本知識與核心算法，既包括數(shù)學理論基礎，如三維空間的剛體運動、非線性優(yōu)化，又包括計算機視覺的算法實現(xiàn)，例如多視圖幾何、回環(huán)檢測等。此外，還提供了大量的實例代碼供讀者學習研究，從而更深入地掌握這些內容?！兑曈XSLAM十四講：從理論到實踐》可以作為對SLAM感興趣的研究人員的入門自學材料，也可以作為SLAM相關的高校本科生或研究生課程教材使用。

作者簡介

　　高翔，2008年就讀清華大學自動化系，2012年免試進入清華大學自動化系攻讀博士學位。研究課題為視覺SLAM，興趣包括計算機視覺與機器學習。曾撰寫過與SLAM相關的論文和技術博客?！垵?，清華大學自動化系教授、黨委書記、副系主任。1995年9月至1999年9月在清華大學自動化系檢測技術與自動化裝置專業(yè)學習，獲博士學位。1999年10月至2002年9月在日本國立佐賀大學大學院工學系研究科系統(tǒng)控制專業(yè)學習，獲博士學位。研究課題包括機器人、航空航天、計算機視覺等。　劉毅，華中科技大學圖像與人工智能研究所在讀博士，本科畢業(yè)于武漢理工大學數(shù)學系。讀博期間專注于圖像處理、三維重建、視覺SLAM，以及傳感器融合研究和應用，讀博期間先后于深圳市大疆創(chuàng)新公司，英特爾中國研究院等單位實習?！☆伹哳＃壤麜r荷語魯汶大學人工智能碩士，電子工程學士（GroupT）。電子科技大學信息顯示與光電技術學士。長期致力于研究人工智能技術在機器人領域的應用，包括計算機視覺、機器學習和SLAM?，F(xiàn)擔任地平線機器人公司智能駕駛部算法工程師。

圖書目錄

第1 講預備知識 1
1.1 本書講什么1
1.2 如何使用本書3
1.2.1 組織方式3
1.2.2 代碼5
1.2.3 面向的讀者6
1.3 風格約定6
1.4 致謝和聲明7
第2 講初識SLAM 9
2.1 引子：小蘿卜的例子11
2.2 經(jīng)典視覺SLAM 框架17
2.2.1 視覺里程計17
2.2.2 后端優(yōu)化19
2.2.3 回環(huán)檢測20
2.2.4 建圖21
2.3 SLAM 問題的數(shù)學表述22
2.4 實踐：編程基礎 25
2.4.1 安裝Linux 操作系統(tǒng)25
2.4.2 Hello SLAM27
2.4.3 使用cmake28
2.4.4 使用庫30
2.4.5 使用IDE32
第3 講三維空間剛體運動37
3.1 旋轉矩陣39
3.1.1 點和向量，坐標系39
3.1.2 坐標系間的歐氏變換40
3.1.3 變換矩陣與齊次坐標42
3.2 實踐：Eigen 44
3.3 旋轉向量和歐拉角48
3.3.1 旋轉向量48
3.3.2 歐拉角50
3.4 四元數(shù)51
3.4.1 四元數(shù)的定義51
3.4.2 四元數(shù)的運算53
3.4.3 用四元數(shù)表示旋轉55
3.4.4 四元數(shù)到旋轉矩陣的轉換55
3.5 * 相似、仿射、射影變換56
3.6 實踐：Eigen 幾何模塊57
3.7 可視化演示60
第4 講李群與李代數(shù)62
4.1 李群與李代數(shù)基礎 64
4.1.1 群64
4.1.2 李代數(shù)的引出65
4.1.3 李代數(shù)的定義 67
4.1.4 李代數(shù)so(3) 67
4.1.5 李代數(shù)se(3)68
4.2 指數(shù)與對數(shù)映射69
4.2.1 SO(3) 上的指數(shù)映射69
4.2.2 SE(3) 上的指數(shù)映射.70
4.3 李代數(shù)求導與擾動模型72
4.3.1 BCH 公式與近似形式72
4.3.2 SO(3) 李代數(shù)上的求導73
4.3.3 李代數(shù)求導74
4.3.4 擾動模型（左乘）75
4.3.5 SE(3) 上的李代數(shù)求導76
4.4 實踐：Sophus76
4.5 * 相似變換群與李代數(shù).79
4.6 小結81
第5 講相機與圖像82
5.1 相機模型 84
5.1.1 針孔相機模型84
5.1.2 畸變87
5.1.3 雙目相機模型 90
5.1.4 RGB-D 相機模型92
5.2 圖像93
5.3 實踐：圖像的存取與訪問95
5.3.1 安裝OpenCV95
5.3.2 操作OpenCV 圖像96
5.4 實踐：拼接點云99
第6 講非線性優(yōu)化104
6.1 狀態(tài)估計問題106
6.1.1 最大后驗與最大似然106
6.1.2 最小二乘的引出 108
6.2 非線性最小二乘109
6.2.1 一階和二階梯度法110
6.2.2 高斯牛頓法111
6.2.3 列文伯格—馬夸爾特方法113
6.2.4 小結114
6.3 實踐：Ceres115
6.3.1 Ceres 簡介 116
6.3.2 安裝Ceres116
6.3.3 使用Ceres 擬合曲線 117
6.4 實踐：g2o121
6.4.1 圖優(yōu)化理論簡介121
6.4.2 g2o 的編譯與安裝122
6.4.3 使用g2o 擬合曲線123
6.5 小結128
第7 講視覺里程計1130
7.1 特征點法132
7.1.1 特征點132
7.1.2 ORB 特征134
7.1.3 特征匹配137
7.2 實踐：特征提取和匹配138
7.3 2D?2D: 對極幾何141
7.3.1 對極約束141
7.3.2 本質矩陣143
7.3.3 單應矩陣146
7.4 實踐：對極約束求解相機運動148
7.5 三角測量153
7.6 實踐：三角測量154
7.6.1 三角測量代碼154
7.6.2 討論156
7.7 3D?2D：PnP157
7.7.1 直接線性變換158
7.7.2 P3P159
7.7.3 Bundle Adjustment 161
7.8 實踐：求解PnP165
7.8.1 使用EPnP 求解位姿165
7.8.2 使用BA 優(yōu)化166
7.9 3D?3D：ICP172
7.9.1 SVD 方法173
7.9.2 非線性優(yōu)化方法 175
7.10 實踐：求解ICP176
7.10.1 SVD 方法176
7.10.2 非線性優(yōu)化方法178
7.11 小結180
第8 講視覺里程計2182
8.1 直接法的引出184
8.2 光流（Optical Flow）185
8.3 實踐：LK 光流187
8.3.1 使用TUM 公開數(shù)據(jù)集187
8.3.2 使用LK 光流188
8.4 直接法（Direct Method）192
8.4.1 直接法的推導 192
8.4.2 直接法的討論195
8.5 實踐：RGB-D 的直接法196
8.5.1 稀疏直接法196
8.5.2 定義直接法的邊197
8.5.3 使用直接法估計相機運動 199
8.5.4 半稠密直接法200
8.5.5 直接法的討論 202
8.5.6 直接法優(yōu)缺點總結 203
第9 講實踐：設計前端205
9.1 搭建VO 框架 206
9.1.1 確定程序框架207
9.1.2 確定基本數(shù)據(jù)結構208
9.1.3 Camera 類210
9.1.4 Frame 類212
9.1.5 MapPoint 類 213
9.1.6 Map 類 213
9.1.7 Config 類 214
9.2 基本的VO：特征提取和匹配216
9.2.1 兩兩幀的視覺里程計216
9.2.2 討論224
9.3 改進：優(yōu)化PnP 的結果 224
9.4 改進：局部地圖 227
9.5 小結233
第10 講后端1 235
10.1 概述237
10.1.1 狀態(tài)估計的概率解釋237
10.1.2 線性系統(tǒng)和KF239
10.1.3 非線性系統(tǒng)和EKF242
10.1.4 EKF 的討論243
10.2 BA 與圖優(yōu)化245
10.2.1 投影模型和BA 代價函數(shù) 245
10.2.2 BA 的求解247
10.2.3 稀疏性和邊緣化248
10.2.4 魯棒核函數(shù)255
10.2.5 小結256
10.3 實踐：g2o257
10.3.1 BA 數(shù)據(jù)集257
10.3.2 g2o 求解BA258
10.3.3 求解262
10.4 實踐：Ceres 264
10.4.1 Ceres 求解BA 265
10.4.2 求解267
10.5 小結269
第11 講后端2 270
11.1 位姿圖（Pose Graph）271
11.1.1 Pose Graph 的意義271
11.1.2 Pose Graph 的優(yōu)化272
11.2 實踐：位姿圖優(yōu)化274
11.2.1 g2o 原生位姿圖 274
11.2.2 李代數(shù)上的位姿圖優(yōu)化278
11.2.3 小結284
11.3 * 因子圖優(yōu)化初步285
11.3.1 貝葉斯網(wǎng)絡285
11.3.2 因子圖286
11.3.3 增量特性288
11.4 * 實踐：gtsam 289
11.4.1 安裝gtsam 4.0289
11.4.2 位姿圖優(yōu)化290
第12 講回環(huán)檢測297
12.1 回環(huán)檢測概述299
12.1.1 回環(huán)檢測的意義299
12.1.2 方法 300
12.1.3 準確率和召回率301
12.2 詞袋模型303
12.3 字典 305
12.3.1 字典的結構305
12.3.2 實踐：創(chuàng)建字典306
12.4 相似度計算309
12.4.1 理論部分309
12.4.2 實踐：相似度的計算310
12.5 實驗分析與評述314
12.5.1 增加字典規(guī)模314
12.5.2 相似性評分的處理316
12.5.3 關鍵幀的處理316
12.5.4 檢測之后的驗證317
12.5.5 與機器學習的關系317
第13 講建圖319
13.1 概述320
13.2 單目稠密重建322
13.2.1 立體視覺322
13.2.2 極線搜索與塊匹配323
13.2.3 高斯分布的深度濾波器325
13.3 實踐：單目稠密重建328
13.4 實驗分析與討論339
13.4.1 像素梯度的問題339
13.4.2 逆深度340
13.4.3 圖像間的變換 341
13.4.4 并行化：效率的問題342
13.4.5 其他的改進343
13.5 RGB-D 稠密建圖343
13.5.1 實踐：點云地圖344
13.5.2 八叉樹地圖347
13.5.3 實踐：八叉樹地圖350
13.6 *TSDF 地圖和Fusion 系列352
13.7 小結356
第14 講SLAM：現(xiàn)在與未來357
14.1 當前的開源方案358
14.1.1 MonoSLAM358
14.1.2 PTAM359
14.1.3 ORB-SLAM361
14.1.4 LSD-SLAM363
14.1.5 SVO 364
14.1.6 RTAB-MAP366
14.1.7 其他367
14.2 未來的SLAM 話題367
14.2.1 視覺+ 慣性導航SLAM367
14.2.2 語義SLAM369
14.2.3 SLAM 的未來 370
附錄A 高斯分布的性質371
A.1 高斯分布371
A.2 高斯分布的運算371
A.2.1 線性運算371
A.2.2 乘積372
A.2.3 復合運算372
A.3 復合的例子372
附錄B ROS 入門374
B.1 ROS 是什么374
B.2 ROS 的特點375
B.3 如何快速上手ROS375
參考文獻377