SLAM学习——建图(二)
来源:互联网 发布:淘宝卖家营销分析 编辑:程序博客网 时间:2024/05/22 04:47
1.对单目构建稠密地图的讨论
像素梯度的问题
在前面中,通过块匹配来获得匹配结果。块匹配的正确与否,依赖于图像块是否具有区分度,有明显梯度的小块将具有良好的区分度。对于梯度不明显的像素,将比较难估计其有效深度。立体视觉一个常见问题:对物体纹理的依赖性。
像素梯度与极线的关系:像素梯度平行于极线方向以及垂直于极线方向。
像素梯度垂直于极线:当沿极线寻找的时候,发现匹配程度是一样的,得到不到有效匹配。
像素梯度平行于极线:能够精确的找到匹配程度最高的地方。
但是实际上极线与相机深度是有一定的角度的,从上面我们可以看到角度越大,匹配的不确定性越大,角度越小,匹配的不确定性越小。
逆深度问题
当我们描述一个点时,可以用(x,y,z)三个量来描述,而这三个亮可能存在明显的相关性,如果不太好。我们可以描述成(u,v)和d来表示一个点,毕竟相互独立。我们假设的是深度值满足高斯分布
但是,存在以下问题:
1.场景深度大概5-10米,但近处肯定不会小于相机焦距。这个分布并不是像高斯分布那样,形成对称形状,尾部可能稍微长一点,而负数区域为0。
2.在室外应用中,存在距离非常远的点,高斯分布描述他们会有数值计算上的困难。
因此我们设深度的倒数,即逆深度为服从高斯分布,可修改上述程序。
图像间的变换
在块匹配之前,做一次图像到图像间的变换是一种常见的预处理方式。我们假设图像小块在相机运动时保持不变,而这个假设在相机平移时能保持不变,但是发生明显的旋转时难以保持。
根据相机模型,参考帧上的一个像素与真实的三维点世界坐标关系为: ,对于当前帧,亦有在它上面的投影。,消去,可以得到俩副图像之间的像素关系。
—-讨论:尽管双目和移动单目能够建立稠密的地图,但是我们认为它们过于依赖环境纹理和光照,不够可靠。—–
2.RGB-D稠密建图
在使用RGB-D进行建图的过程中,我们使用俩种滤波器过滤掉部分点云:外点去除滤波器和降采样滤波器。
#include <ros/ros.h>#include <iostream>#include <fstream>using namespace std;#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <Eigen/Geometry>#include <boost/format.hpp> // for formating strings#include <pcl/point_types.h>#include <pcl/io/pcd_io.h>#include <pcl/filters/voxel_grid.h>#include <pcl/visualization/pcl_visualizer.h>#include <pcl/filters/statistical_outlier_removal.h>int main( int argc, char** argv ){ vector<cv::Mat> colorImgs, depthImgs; // 彩色图和深度图 vector<Eigen::Isometry3d> poses; // 相机位姿 ifstream fin("/home/hansry/Slam_Book/src/Pointcloud_mapping/data/pose.txt"); if (!fin) { cerr<<"cannot find pose file"<<endl; return 1; } for ( int i=0; i<5; i++ ) { boost::format fmt( "/home/hansry/Slam_Book/src/Pointcloud_mapping/data/%s/%d.%s" ); //图像文件格式 colorImgs.push_back( cv::imread( (fmt%"color"%(i+1)%"png").str() )); depthImgs.push_back( cv::imread( (fmt%"depth"%(i+1)%"pgm").str(), -1 )); // 使用-1读取原始图像 double data[7] = {0}; for ( int i=0; i<7; i++ ) { fin>>data[i]; } Eigen::Quaterniond q( data[6], data[3], data[4], data[5] ); Eigen::Isometry3d T(q); T.pretranslate( Eigen::Vector3d( data[0], data[1], data[2] )); poses.push_back( T ); } // 计算点云并拼接 // 相机内参 double cx = 325.5; double cy = 253.5; double fx = 518.0; double fy = 519.0; double depthScale = 1000.0; cout<<"正在将图像转换为点云..."<<endl; // 定义点云使用的格式:这里用的是XYZRGB typedef pcl::PointXYZRGB PointT; typedef pcl::PointCloud<PointT> PointCloud; // 新建一个点云 PointCloud::Ptr pointCloud( new PointCloud ); for ( int i=0; i<5; i++ ) { PointCloud::Ptr current( new PointCloud ); cout<<"转换图像中: "<<i+1<<endl; cv::Mat color = colorImgs[i]; cv::Mat depth = depthImgs[i]; Eigen::Isometry3d T = poses[i]; for ( int v=0; v<color.rows; v++ ) for ( int u=0; u<color.cols; u++ ) { unsigned int d = depth.ptr<unsigned short> ( v )[u]; // 深度值 if ( d==0 ) continue; // 为0表示没有测量到 if ( d >= 7000 ) continue; // 深度太大时不稳定,去掉 Eigen::Vector3d point; point[2] = double(d)/depthScale; point[0] = (u-cx)*point[2]/fx; point[1] = (v-cy)*point[2]/fy; Eigen::Vector3d pointWorld = T*point; //将相机的点转换成世界坐标系的点 PointT p ; p.x = pointWorld[0]; p.y = pointWorld[1]; p.z = pointWorld[2]; p.b = color.data[ v*color.step+u*color.channels() ]; p.g = color.data[ v*color.step+u*color.channels()+1 ]; p.r = color.data[ v*color.step+u*color.channels()+2 ]; current->points.push_back( p ); } // depth filter and statistical removal,外点去除滤波器 PointCloud::Ptr tmp ( new PointCloud ); pcl::StatisticalOutlierRemoval<PointT> statistical_filter; statistical_filter.setMeanK(50); statistical_filter.setStddevMulThresh(1.0); statistical_filter.setInputCloud(current); statistical_filter.filter( *tmp ); (*pointCloud) += *tmp; } pointCloud->is_dense = false; cout<<"点云共有"<<pointCloud->size()<<"个点."<<endl; // voxel filter,降采样滤波器 pcl::VoxelGrid<PointT> voxel_filter; voxel_filter.setLeafSize( 0.01, 0.01, 0.01 ); // resolution PointCloud::Ptr tmp ( new PointCloud ); voxel_filter.setInputCloud( pointCloud ); voxel_filter.filter( *tmp ); tmp->swap( *pointCloud ); cout<<"滤波之后,点云共有"<<pointCloud->size()<<"个点."<<endl; pcl::io::savePCDFileBinary("map.pcd", *pointCloud );//保存pcd文件 return 0;}
通过pcl_viewer map.pcd
可查看结果如下:
3.八叉树地图
尽管pcd有很多好处,但是也有几个明显的缺陷:
1.点云地图通常规模很大,所以pcd文件也会很大。同时点云图也提供了一些非必要的细节,例如地毯的褶皱等,导致空间浪费。
2.点云地图无法处理运动物体,只能“添加点”而不能“去除点”。
提供灵活的、压缩的、又能随时更新的地图形式:八叉图(把一个小方块分成同样大小的八块或从一个节点展开成八个子节点)。结构如下图所示:
在这里八叉树的结构与字典有点不同,八叉树的节点都是8个,如果叶子节点的方块大小为1,当有10层的时候,就有
- SLAM学习——建图(二)
- SLAM学习——后端(二)
- SLAM学习笔记——(一)SLAM分类
- SLAM学习——后端(一)
- SLAM学习笔记(二)数据采集
- SLAM(二)——RGB-D的含义
- 《视觉SLAM十四讲》学习系列(1)—经典视觉SLAM框架
- SLAM笔记二——Homogeneous坐标系
- 深度学习结合SLAM的研究思路/成果整理之(二)语义SLAM & 端到端
- SLAM学习——建图问题(一)
- slam的初步学习(二)--PCL点云库的安装
- SLAM学习——相机与图像
- SLAM学习——非线性优化
- SLAM学习——回环检测
- slam学习(2)
- slam学习(4)
- SLAM(二)视觉SLAM
- ORB-SLAM(二)性能
- Python PIL库 教程
- 设计模式--中介者模式
- ajax返回函数json数据如何取值问题
- 各类识别、深度学习 开源代码及文献梳理
- 照片采集信息 Excel表单处理 VBA
- SLAM学习——建图(二)
- 程序员面试-操作系统-进程
- D.4乱玩数字
- javascript正则表达式
- VSCode 快捷键
- sublime_key 快捷键
- Apache Maven 3.5.0配置安装
- Mavn 使用介绍
- 软件测试基础知识