视觉SLAM十四讲: 从理论到实践 第2版

✍ Scribed by 高翔

• Publisher: 电子工业出版社
• Year: 2019
• Tongue: Chinese
• Leaves: 412
• Category: Library

✦ Synopsis

本书系统介绍了视觉SLAM（同时定位与地图构建）所需的基本知识与核心算法，既包括数学理论基础，如三维空间的刚体运动、非线性优化，又包括计算机视觉的算法实现，例如多视图几何、回环检测等。此外，我们还提供了大量的实例代码供读者学习研究，从而更深入地掌握这些内容。

✦ Table of Contents

封面
前折页
书名页
版权页
第二版序
目录
读者服务
第1 讲 预备知识
1.1 本书讲什么
1.2 如何使用本书
1.2.1 组织方式
1.2.2 代码
1.2.3 面向的读者
1.3 风格约定
1.4 致谢和声明
第1 部分 数学基础
第2 讲 初识SLAM
2.1 引子：小萝卜的例子
2.2 经典视觉SLAM框架
2.2.1 视觉里程计
2.2.2 后端优化
2.2.3 回环检测
2.2.4 建图
2.3 SLAM问题的数学表述
2.4 实践：编程基础
2.4.1 安装Linux操作系统
2.4.2 Hello SLAM
2.4.3 使用cmake
2.4.4 使用库
2.4.5 使用IDE
第3 讲 三维空间刚体运动
3.1 旋转矩阵
3.1.1 点、向量和坐标系
3.1.2 坐标系间的欧氏变换
3.1.3 变换矩阵与齐次坐标
3.2 实践：Eigen
3.3 旋转向量和欧拉角
3.3.1 旋转向量
3.3.2 欧拉角
3.4 四元数
3.4.1 四元数的定义
3.4.2 四元数的运算
3.4.3 用四元数表示旋转
3.4.4 四元数到其他旋转表示的转换
3.5 ＊相似、仿射、射影变换
3.6 实践：Eigen几何模块
3.6.1 Eigen几何模块的数据演示
3.6.2 实际的坐标变换例子
3.7 可视化演示
3.7.1 显示运动轨迹
3.7.2 显示相机的位姿
第4 讲 李群与李代数
4.1 李群与李代数基础
4.1.1 群
4.1.2 李代数的引出
4.1.3 李代数的定义
4.1.4 李代数so（3）
4.1.5 李代数se（3）
4.2 指数与对数映射
4.2.1 SO（3）上的指数映射
4.2.2 SE（3）上的指数映射
4.3 李代数求导与扰动模型
4.3.1 BCH公式与近似形式
4.3.2 SO（3）上的李代数求导
4.3.3 李代数求导
4.3.4 扰动模型（左乘）
4.3.5 SE（3）上的李代数求导
4.4 实践：Sophus
4.4.1 Sophus的基本使用方法
4.4.2 例子：评估轨迹的误差
4.5 ＊相似变换群与李代数
4.6 小结
第5 讲 相机与图像
5.1 相机模型
5.1.1 针孔相机模型
5.1.2 畸变模型
5.1.3 双目相机模型
5.1.4 RGB-D相机模型
5.2 图像
5.3 实践：计算机中的图像
5.3.1 OpenCV的基本使用方法
5.3.2 图像去畸变
5.4 实践：3D视觉
5.4.1 双目视觉
5.4.2 RGB-D视觉
第6 讲 非线性优化
6.1 状态估计问题
6.1.1 批量状态估计与最大后验估计
6.1.2 最小二乘的引出
6.1.3 例子：批量状态估计
6.2 非线性最小二乘
6.2.1 一阶和二阶梯度法
6.2.2 高斯牛顿法
6.2.3 列文伯格—马夸尔特方法
6.3 实践：曲线拟合问题
6.3.1 手写高斯牛顿法
6.3.2 使用Ceres进行曲线拟合
6.3.3 使用g2o进行曲线拟合
6.4 小结
第2 部分 实践应用
第7 讲 视觉里程计1
7.1 特征点法
7.1.1 特征点
7.1.2 ORB特征
7.1.3 特征匹配
7.2 实践：特征提取和匹配
7.2.1 OpenCV的ORB特征
7.2.2 手写ORB特征
7.2.3 计算相机运动
7.32 D-2D：对极几何
7.3.1 对极约束
7.3.2 本质矩阵
7.3.3 单应矩阵
7.4 实践：对极约束求解相机运动
7.5 三角测量
7.6 实践：三角测量
7.6.1 三角测量代码
7.6.2 讨论
7.73 D-2D：PnP
7.7.1 直接线性变换
7.7.2 P3P
7.7.3 最小化重投影误差求解PnP
7.8 实践：求解Pnp
7.8.1 使用EPnP求解位姿
7.8.2 手写位姿估计
7.8.3 使用g2o进行BA优化
7.93 D-3D：ICP
7.9.1 SVD方法
7.9.2 非线性优化方法
7.10 实践：求解ICP
7.10.1 实践：SVD方法
7.10.2 实践：非线性优化方法
7.11 小结
第8 讲 视觉里程计2
8.1 直接法的引出
8.22 D光流
8.3 实践：LK光流
8.3.1 使用LK光流
8.3.2 用高斯牛顿法实现光流
8.3.3 光流实践小结
8.4 直接法
8.4.1 直接法的推导
8.4.2 直接法的讨论
8.5 实践：直接法
8.5.1 单层直接法
8.5.2 多层直接法
8.5.3 结果讨论
8.5.4 直接法优缺点总结
第9 讲 后端1
9.1 概述
9.1.1 状态估计的概率解释
9.1.2 线性系统和KF
9.1.3 非线性系统和EKF
9.1.4 EKF的讨论
9.2 BA与图优化
9.2.1 投影模型和BA代价函数
9.2.2 BA的求解
9.2.3 稀疏性和边缘化
9.2.4 鲁棒核函数
9.3 实践：Ceres BA
9.3.1 BAL数据集
9.3.2 Ceres BA的书写
9.4 实践：g2o求解BA
9.5 小结
第10 讲 后端2
10.1 滑动窗口滤波和优化
10.1.1 实际环境下的BA结构
10.1.2 滑动窗口法
10.2 位姿图
10.2.1 位姿图的意义
10.2.2 位姿图的优化
10.3 实践：位姿图优化
10.3.1 g2o原生位姿图
10.3.2 李代数上的位姿图优化
10.3.3 小结
第11 讲 回环检测
11.1 概述
11.1.1 回环检测的意义
11.1.2 回环检测的方法
11.1.3 准确率和召回率
11.2 词袋模型
11.3 字典
11.3.1 字典的结构
11.3.2 实践：创建字典
11.4 相似度计算
11.4.1 理论部分
11.4.2 实践：相似度的计算
11.5 实验分析与评述
11.5.1 增加字典规模
11.5.2 相似性评分的处理
11.5.3 关键帧的处理
11.5.4 检测之后的验证
11.5.5 与机器学习的关系
第12 讲 建图
12.1 概述
12.2 单目稠密重建
12.2.1 立体视觉
12.2.2 极线搜索与块匹配
12.2.3 高斯分布的深度滤波器
12.3 实践：单目稠密重建
12.3.1 实验分析与讨论
12.3.2 像素梯度的问题
12.3.3 逆深度
12.3.4 图像间的变换
12.3.5 并行化：效率的问题
12.3.6 其他的改进
12.4 RGB-D稠密建图
12.4.1 实践：点云地图
12.4.2 从点云重建网格
12.4.3 八叉树地图
12.4.4 实践：八叉树地图
12.5 ＊TSDF地图和Fusion系列
12.6 小结
第13 讲 实践：设计SLAM系统
13.1 为什么要单独列工程章节
13.2 工程框架
13.3 实现
13.3.1 实现基本数据结构
13.3.2 前端
13.3.3 后端
13.4 实验效果
第14 讲 SLAM：现在与未来
14.1 当前的开源方案
14.1.1 MonoSLAM
14.1.2 PTAM
14.1.3 ORB-SLAM
14.1.4 LSD-SLAM
14.1.5 SVO
14.1.6 RTAB-MAP
14.1.7 其他
14.2 未来的SLAM话题
14.2.1 视觉＋惯性导航SLAM
14.2.2 语义SLAM
14.2.3 SLAM的未来
附录A 高斯分布的性质
附录B 矩阵求导
附录C ROS入门
参考文献
后折页
封底