一起做RGB-D SLAM(4)

来源：互联网发布：苹果软件商店编辑：程序博客网时间：2024/05/19 20:42

第四讲点云拼接

　　广告：“一起做”系列的代码网址：https://github.com/gaoxiang12/rgbd-slam-tutorial-gx 当博客更新时代码也会随着更新。 SLAM技术交流群：254787961

　　读者朋友们大家好！尽管还没到一周，我们的教程又继续更新了，因为暑假实在太闲了嘛！

上讲回顾

　　上一讲中，我们理解了如何利用图像中的特征点，估计相机的运动。最后，我们得到了一个旋转向量与平移向量。那么读者可能会问：这两个向量有什么用呢？在这一讲里，我们就要使用这两个向量，把两张图像的点云给拼接起来，形成更大的点云。

　　首先，我们把上一讲的内容封装进slamBase库中，代码如下：

　　include/slamBase.h

 1 // 帧结构 2 struct FRAME 3 { 4     cv::Mat rgb, depth; //该帧对应的彩色图与深度图 5     cv::Mat desp;       //特征描述子 6     vector<cv::KeyPoint> kp; //关键点 7 }; 8  9 // PnP 结果10 struct RESULT_OF_PNP11 {12     cv::Mat rvec, tvec;13     int inliers;14 };15 16 // computeKeyPointsAndDesp 同时提取关键点与特征描述子17 void computeKeyPointsAndDesp( FRAME& frame, string detector, string descriptor );18 19 // estimateMotion 计算两个帧之间的运动20 // 输入：帧1和帧2, 相机内参21 RESULT_OF_PNP estimateMotion( FRAME& frame1, FRAME& frame2, CAMERA_INTRINSIC_PARAMETERS& camera );

　　我们把关键帧和PnP的结果都封成了结构体，以便将来别的程序调用。这两个函数的实现如下：

　　src/slamBase.cpp

 1 // computeKeyPointsAndDesp 同时提取关键点与特征描述子 2 void computeKeyPointsAndDesp( FRAME& frame, string detector, string descriptor ) 3 { 4     cv::Ptr<cv::FeatureDetector> _detector; 5     cv::Ptr<cv::DescriptorExtractor> _descriptor; 6  7     cv::initModule_nonfree(); 8     _detector = cv::FeatureDetector::create( detector.c_str() ); 9     _descriptor = cv::DescriptorExtractor::create( descriptor.c_str() );10 11     if (!_detector || !_descriptor)12     {13         cerr<<"Unknown detector or discriptor type !"<<detector<<","<<descriptor<<endl;14         return;15     }16 17     _detector->detect( frame.rgb, frame.kp );18     _descriptor->compute( frame.rgb, frame.kp, frame.desp );19 20     return;21 }22 23 // estimateMotion 计算两个帧之间的运动24 // 输入：帧1和帧225 // 输出：rvec 和 tvec26 RESULT_OF_PNP estimateMotion( FRAME& frame1, FRAME& frame2, CAMERA_INTRINSIC_PARAMETERS& camera )27 {28     static ParameterReader pd;29     vector< cv::DMatch > matches;30     cv::FlannBasedMatcher matcher;31     matcher.match( frame1.desp, frame2.desp, matches );32    33     cout<<"find total "<<matches.size()<<" matches."<<endl;34     vector< cv::DMatch > goodMatches;35     double minDis = 9999;36     double good_match_threshold = atof( pd.getData( "good_match_threshold" ).c_str() );37     for ( size_t i=0; i<matches.size(); i++ )38     {39         if ( matches[i].distance < minDis )40             minDis = matches[i].distance;41     }42 43     for ( size_t i=0; i<matches.size(); i++ )44     {45         if (matches[i].distance < good_match_threshold*minDis)46             goodMatches.push_back( matches[i] );47     }48 49     cout<<"good matches: "<<goodMatches.size()<<endl;50     // 第一个帧的三维点51     vector<cv::Point3f> pts_obj;52     // 第二个帧的图像点53     vector< cv::Point2f > pts_img;54 55     // 相机内参56     for (size_t i=0; i<goodMatches.size(); i++)57     {58         // query 是第一个, train 是第二个59         cv::Point2f p = frame1.kp[goodMatches[i].queryIdx].pt;60         // 获取d是要小心！x是向右的，y是向下的，所以y才是行，x是列！61         ushort d = frame1.depth.ptr<ushort>( int(p.y) )[ int(p.x) ];62         if (d == 0)63             continue;64         pts_img.push_back( cv::Point2f( frame2.kp[goodMatches[i].trainIdx].pt ) );65 66         // 将(u,v,d)转成(x,y,z)67         cv::Point3f pt ( p.x, p.y, d );68         cv::Point3f pd = point2dTo3d( pt, camera );69         pts_obj.push_back( pd );70     }71 72     double camera_matrix_data[3][3] = {73         {camera.fx, 0, camera.cx},74         {0, camera.fy, camera.cy},75         {0, 0, 1}76     };77 78     cout<<"solving pnp"<<endl;79     // 构建相机矩阵80     cv::Mat cameraMatrix( 3, 3, CV_64F, camera_matrix_data );81     cv::Mat rvec, tvec, inliers;82     // 求解pnp83     cv::solvePnPRansac( pts_obj, pts_img, cameraMatrix, cv::Mat(), rvec, tvec, false, 100, 1.0, 100, inliers );84 85     RESULT_OF_PNP result;86     result.rvec = rvec;87     result.tvec = tvec;88     result.inliers = inliers.rows;89 90     return result;91 }

　　此外，我们还实现了一个简单的参数读取类。这个类读取一个参数的文本文件，能够以关键字的形式提供文本文件中的变量：

　　include/slamBase.h

 1 // 参数读取类 2 class ParameterReader 3 { 4 public: 5     ParameterReader( string filename="./parameters.txt" ) 6     { 7         ifstream fin( filename.c_str() ); 8         if (!fin) 9         {10             cerr<<"parameter file does not exist."<<endl;11             return;12         }13         while(!fin.eof())14         {15             string str;16             getline( fin, str );17             if (str[0] == '#')18             {19                 // 以‘＃’开头的是注释20                 continue;21             }22 23             int pos = str.find("=");24             if (pos == -1)25                 continue;26             string key = str.substr( 0, pos );27             string value = str.substr( pos+1, str.length() );28             data[key] = value;29 30             if ( !fin.good() )31                 break;32         }33     }34     string getData( string key )35     {36         map<string, string>::iterator iter = data.find(key);37         if (iter == data.end())38         {39             cerr<<"Parameter name "<<key<<" not found!"<<endl;40             return string("NOT_FOUND");41         }42         return iter->second;43     }44 public:45     map<string, string> data;46 };

　　它读的参数文件是长这个样子的：

# 这是一个参数文件

# 去你妹的yaml! 我再也不用yaml了！简简单单多好！# part 4 里定义的参数detector=SIFTdescriptor=SIFTgood_match_threshold=4# cameracamera.cx=325.5;camera.cy=253.5;camera.fx=518.0;camera.fy=519.0;camera.scale=1000.0;

　　嗯，参数文件里，以“变量名=值”的形式定义变量。以井号开头的是注释啦！是不是很简单呢？

　　小萝卜：师兄你为何对yaml有一股强烈的怨念？

　　师兄：哎，不说了……总之实现简单的功能，就用简单的东西，特别是从教程上来说更应该如此啦。

　　现在，如果我们想更改特征类型，就只需在parameters.txt文件里进行修改，不必编译源代码了。这对接下去的各种调试都会很有帮助。

拼接点云

　　点云的拼接，实质上是对点云做变换的过程。这个变换往往是用变换矩阵(transform matrix)来描述的：

T = [R 3 \times 3 O 1 \times 3 t 3 \times 1 1] \in R 4 \times 4

该矩阵的左上部分是一个

3×3的旋转矩阵，它是一个正交阵。右上部分是

3×1的位移矢量。左下是

3×1的缩放矢量，在SLAM中通常取成0，因为环境里的东西不太可能突然变大变小（又没有缩小灯）。右下角是个1. 这样的一个阵可以对点或者其他东西进行齐次变换：

⎡ ⎣ ⎢ ⎢ ⎢ ⎢ y 1 y 2 y 3 1 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ = T \cdot ⎡ ⎣ ⎢ ⎢ ⎢ x 1 x 2 x 3 1 ⎤ ⎦ ⎥ ⎥ ⎥

　　由于变换矩阵结合了旋转和缩放，是一种较为经济实用的表达方式。它在机器人和许多三维空间相关的科学中都有广泛的应用。PCL里提供了点云的变换函数，只要给定了变换矩阵，就能对移动整个点云：

pcl::transformPointCloud( input, output, T );

　　小萝卜：所以我们现在就是要把OpenCV里的旋转向量、位移向量转换成这个矩阵喽？

　　师兄：对！opencv认为旋转矩阵R，虽然有3×3那么大，自由变量却只有三个，不够节省空间。所以在OpenCV里使用了一个向量来表达旋转。向量的方向是旋转轴，大小则是转过的弧度.

　　小萝卜：但是我们又把它变成了矩阵啊，这不就没有意义了吗！

　　师兄：呃，这个，确实如此。不管如何，我们先用罗德里格斯变换（Rodrigues）将旋转向量转换为矩阵，然后“组装”成变换矩阵。代码如下：

　　src/joinPointCloud.cpp

 1 /************************************************************************* 2     > File Name: src/jointPointCloud.cpp 3     > Author: Xiang gao 4     > Mail: gaoxiang12@mails.tsinghua.edu.cn  5     > Created Time: 2015年07月22日 星期三 20时46分08秒 6  ************************************************************************/ 7  8 #include<iostream> 9 using namespace std;10 11 #include "slamBase.h"12 13 #include <opencv2/core/eigen.hpp>14 15 #include <pcl/common/transforms.h>16 #include <pcl/visualization/cloud_viewer.h>17 18 // Eigen !19 #include <Eigen/Core>20 #include <Eigen/Geometry>21 22 int main( int argc, char** argv )23 {24     //本节要拼合data中的两对图像25     ParameterReader pd;26     // 声明两个帧，FRAME结构请见include/slamBase.h27     FRAME frame1, frame2;28     29     //读取图像30     frame1.rgb = cv::imread( "./data/rgb1.png" );31     frame1.depth = cv::imread( "./data/depth1.png", -1);32     frame2.rgb = cv::imread( "./data/rgb2.png" );33     frame2.depth = cv::imread( "./data/depth2.png", -1 );34 35     // 提取特征并计算描述子36     cout<<"extracting features"<<endl;37     string detecter = pd.getData( "detector" );38     string descriptor = pd.getData( "descriptor" );39 40     computeKeyPointsAndDesp( frame1, detecter, descriptor );41     computeKeyPointsAndDesp( frame2, detecter, descriptor );42 43     // 相机内参44     CAMERA_INTRINSIC_PARAMETERS camera;45     camera.fx = atof( pd.getData( "camera.fx" ).c_str());46     camera.fy = atof( pd.getData( "camera.fy" ).c_str());47     camera.cx = atof( pd.getData( "camera.cx" ).c_str());48     camera.cy = atof( pd.getData( "camera.cy" ).c_str());49     camera.scale = atof( pd.getData( "camera.scale" ).c_str() );50 51     cout<<"solving pnp"<<endl;52     // 求解pnp53     RESULT_OF_PNP result = estimateMotion( frame1, frame2, camera );54 55     cout<<result.rvec<<endl<<result.tvec<<endl;56 57     // 处理result58     // 将旋转向量转化为旋转矩阵59     cv::Mat R;60     cv::Rodrigues( result.rvec, R );61     Eigen::Matrix3d r;62     cv::cv2eigen(R, r);63   64     // 将平移向量和旋转矩阵转换成变换矩阵65     Eigen::Isometry3d T = Eigen::Isometry3d::Identity();66 67     Eigen::AngleAxisd angle(r);68     cout<<"translation"<<endl;69     Eigen::Translation<double,3> trans(result.tvec.at<double>(0,0), result.tvec.at<double>(0,1), result.tvec.at<double>(0,2));70     T = angle;71     T(0,3) = result.tvec.at<double>(0,0); 72     T(1,3) = result.tvec.at<double>(0,1); 73     T(2,3) = result.tvec.at<double>(0,2);74 75     // 转换点云76     cout<<"converting image to clouds"<<endl;77     PointCloud::Ptr cloud1 = image2PointCloud( frame1.rgb, frame1.depth, camera );78     PointCloud::Ptr cloud2 = image2PointCloud( frame2.rgb, frame2.depth, camera );79 80     // 合并点云81     cout<<"combining clouds"<<endl;82     PointCloud::Ptr output (new PointCloud());83     pcl::transformPointCloud( *cloud1, *output, T.matrix() );84     *output += *cloud2;85     pcl::io::savePCDFile("data/result.pcd", *output);86     cout<<"Final result saved."<<endl;87 88     pcl::visualization::CloudViewer viewer( "viewer" );89     viewer.showCloud( output );90     while( !viewer.wasStopped() )91     {92         93     }94     return 0;95 }