3d3d

来源：互联网发布：酒店淡季网络促销活动编辑：程序博客网时间：2024/06/11 19:49
#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/features2d/features2d.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/calib3d/calib3d.hpp>#include <Eigen/Core>#include <Eigen/Geometry>#include <Eigen/SVD>#include <g2o/core/base_vertex.h>#include <g2o/core/base_unary_edge.h>#include <g2o/core/block_solver.h>#include <g2o/core/optimization_algorithm_gauss_newton.h>#include <g2o/solvers/eigen/linear_solver_eigen.h>#include <g2o/types/sba/types_six_dof_expmap.h>using namespace std;using namespace cv;void find_feature_matches(        const Mat& img_1, const Mat& img_2,        vector<KeyPoint>& keypoints_1,        vector<KeyPoint>& keypoints_2,        vector<DMatch>& matches);Point2d pixel2cam(const Point2d& p, const Mat& K);void pose_estimation_3d3d(        const vector<Point3f>& pts1,        const vector<Point3f>& pts2,        Mat& R, Mat& t);void bundleAdjustment(        const vector<Point3f>& pts1,        const vector<Point3f>& pts2,        Mat& R, Mat& t);//define edge of g2o//节点为优化变量，这里是g2o::VertexSE3Expmap类型的相机位姿，由于只有一帧，所以整个图中只有一个位姿量，也就只有一个顶点，进而边就是一元边，只连接到一个顶点//边是误差项，这里的误差是观测到的3d点坐标减去计算得到的3d点坐标，也即观测值减去计算值，//在这步减法运算中，类型是不变的，也就是误差类型和观测值的类型一样，就是Eigen::Vector3d类型，维度为3维//继承自基本一元边类，观测值为3d空间点坐标，所以维度为３，类型为Eigen::Vector3d类型，一元边链接一个顶点，类型为相机位姿g2o::VertexSE3Expmapclass EdgeProjectXYZRGBDPoseOnly : public g2o::BaseUnaryEdge<3, Eigen::Vector3d, g2o::VertexSE3Expmap>{public:    EIGEN_MAKE_ALIGNED_OPERATOR_NEW;    //构造函数需要一个Eigen::Vector3d类型的 point    EdgeProjectXYZRGBDPoseOnly( const Eigen::Vector3d& point ) : _point(point) {}    //误差函数    virtual void computeError()    {        //从顶点容器_vertices[]中将唯的一个顶点取出来，并将其类型转换成位姿节点指针(注意这里还是节点类型指针，虽然这个节点是位姿，但是还是节点类型)，用于后面_error中的计算值求取        const g2o::VertexSE3Expmap* pose = static_cast<const g2o::VertexSE3Expmap*> ( _vertices[0] );        // measurement is p, point is p'        //map函数定义：　Vector3D map(const Vector3D & xyz) const { return _r*xyz+_t; }        //pose->estimate()取得估计值，也就是位姿了        //可以看到，pose->estimate().map( _point )计算后就是p'经过Rt变换后的坐标。然后跟观测值p作差        _error = _measurement - pose->estimate().map( _point );    }    //线性增量计算    virtual void linearizeOplus()    {        //又是把位姿节点取出来        g2o::VertexSE3Expmap* pose = static_cast<g2o::VertexSE3Expmap *>(_vertices[0]);        //调取位姿节点数据，并转换成转换向量，也就是李代数        g2o::SE3Quat T(pose->estimate());        //_point为p'，这里乘上变换向量，就是世界坐标系中p的坐标，也就是变换之前，p在相机中的坐标，因为相机就动作了一次，将动作之前的位置定位世界坐标系        Eigen::Vector3d xyz_trans = T.map(_point);        double x = xyz_trans[0];        double y = xyz_trans[1];        double z = xyz_trans[2];        //以上这些步骤就是为了求p'经过变换后的p点坐标，P173页第一个式子。        //因为雅克比矩阵经计算知道，只跟变换后的坐标有关系，所以求出来直接定义就好了。P175页式7.60与P164页式7.44        _jacobianOplusXi(0,0) = 0;        _jacobianOplusXi(0,1) = -z;        _jacobianOplusXi(0,2) = y;        _jacobianOplusXi(0,3) = -1;        _jacobianOplusXi(0,4) = 0;        _jacobianOplusXi(0,5) = 0;        _jacobianOplusXi(1,0) = z;        _jacobianOplusXi(1,1) = 0;        _jacobianOplusXi(1,2) = -x;        _jacobianOplusXi(1,3) = 0;        _jacobianOplusXi(1,4) = -1;        _jacobianOplusXi(1,5) = 0;        _jacobianOplusXi(2,0) = -y;        _jacobianOplusXi(2,1) = x;        _jacobianOplusXi(2,2) = 0;        _jacobianOplusXi(2,3) = 0;        _jacobianOplusXi(2,4) = 0;        _jacobianOplusXi(2,5) = -1;    }    //输入输出这里留空    bool read ( istream& in ) {}    bool write ( ostream& out ) const {}protected:    //这里的这个point就是采集到的有误差的数据。在边的定义中，要把采集到的数据定义为成员变量，采集进来，用于书写误差函数    Eigen::Vector3d _point;};int main ( int argc, char** argv ){    if ( argc != 5 )    {        cout<<"usage: pose_estimation_3d3d img1 img2 depth1 depth2"<<endl;        return 1;    }    //-- 读取图像    Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );    Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );    vector<KeyPoint> keypoints_1, keypoints_2;    vector<DMatch> matches;    find_feature_matches ( img_1, img_2, keypoints_1, keypoints_2, matches );    cout<<"一共找到了"<<matches.size() <<"组匹配点"<<endl;    // 建立3D点    Mat depth1 = imread ( argv[3], CV_LOAD_IMAGE_UNCHANGED );       // 深度图为16位无符号数，单通道图像    Mat depth2 = imread ( argv[4], CV_LOAD_IMAGE_UNCHANGED );       // 深度图为16位无符号数，单通道图像    Mat K = ( Mat_<double> ( 3,3 ) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1 );    vector<Point3f> pts1, pts2;    for ( DMatch m:matches )    {        //这个过程注释参见3d2d那个如何由二维像素图片和深度图片生成3d点，其实这块功能也可以单独拿出写成个函数        ushort d1 = depth1.ptr<unsigned short> ( int ( keypoints_1[m.queryIdx].pt.y ) ) [ int ( keypoints_1[m.queryIdx].pt.x ) ];        ushort d2 = depth2.ptr<unsigned short> ( int ( keypoints_2[m.trainIdx].pt.y ) ) [ int ( keypoints_2[m.trainIdx].pt.x ) ];        if ( d1==0 || d2==0 )   // bad depth            continue;        Point2d p1 = pixel2cam ( keypoints_1[m.queryIdx].pt, K );        Point2d p2 = pixel2cam ( keypoints_2[m.trainIdx].pt, K );        float dd1 = float ( d1 ) /1000.0;        float dd2 = float ( d2 ) /1000.0;        pts1.push_back ( Point3f ( p1.x*dd1, p1.y*dd1, dd1 ) );        pts2.push_back ( Point3f ( p2.x*dd2, p2.y*dd2, dd2 ) );    }    cout<<"3d-3d pairs: "<<pts1.size() <<endl;    Mat R, t;    pose_estimation_3d3d(pts1, pts2, R, t);    cout<<"ICP via SVD results: "<<endl;    cout<<"R = "<<R<<endl;    cout<<"t = "<<t<<endl;    cout<<"R_inv = "<<R.t() <<endl;//.t()方法为Mat类型的R的求逆方法    cout<<"t_inv = "<<-R.t() *t<<endl;    cout<<"calling bundle adjustment"<<endl;    bundleAdjustment( pts1, pts2, R, t );    return 0;}void find_feature_matches(        const Mat& img_1, const Mat& img_2,        std::vector<KeyPoint>& keypoints_1, std::vector<KeyPoint>& keypoints_2,        std::vector< DMatch >& matches_good){    //创建描述子    Mat descriptors_1, descriptors_2;    //初始化为三步走：    //创建detector，用于检测keypoint    Ptr<FeatureDetector> detector = ORB::create();    //创建descriptor，用于检测描述子    Ptr<DescriptorExtractor> descriptor = ORB::create();    //创建描述子匹配器，用于根据描述子产生匹配    Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");    //第一步：检测角点    detector->detect(img_1, keypoints_1);    detector->detect(img_2, keypoints_2);    //第二步：根据角点位置计算描述子    descriptor->compute(img_1, keypoints_1, descriptors_1);    descriptor->compute(img_2, keypoints_2, descriptors_2);    //第三步：根据描述子进行匹配，这里使用的是Hamming距离    vector<DMatch> matches;    matcher->match(descriptors_1, descriptors_2, matches);    //第四步：对匹配点进行筛选    //筛选前需要找出最大距离和最小距离，也就是最不相似和最相似的匹配    //首先定义两个最值，初值设置为第一个match的距离    double min_dist = matches[0].distance;    double max_dist = matches[0].distance;    for(auto m:matches)    {        if (m.distance<min_dist) min_dist = m.distance;        if (m.distance>max_dist) max_dist = m.distance;    }    cout<<"Max_dist:"<<max_dist<<endl        <<"Min_dist:"<<min_dist<<endl;    //筛选：当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限    for(auto m:matches)    {        if (m.distance <= max(2*min_dist, 30.0))            matches_good.push_back(m);    }}//将像素坐标转换成相机归一化平面坐标Point2d pixel2cam ( const Point2d& p, const Mat& K ){    //定义相机归一化坐标    Point2d camera_canonical_coordinates;    //设定坐标值    camera_canonical_coordinates.x = (p.x-K.at<double>(0,2))/K.at<double>(0,0);    camera_canonical_coordinates.y = (p.y-K.at<double>(1,2))/K.at<double>(1,1);    //返回    return camera_canonical_coordinates;    //其实简单就是用下面一句，直接用像素坐标和内参矩阵构造一个2d点，直接返回。    //return Point2d((p.x-K.at<double>(0,2))/K.at<double>(0,0), (p.y-K.at<double>(1,2))/K.at<double>(1,1));}//SVD方法求位姿估计void pose_estimation_3d3d(        const vector<Point3f>& pts1,        const vector<Point3f>& pts2,        Mat& R, Mat& t){    //质心    Point3f p1, p2;    //空间点个数N    int N = pts1.size();    //遍历空间点，将点求和，这里求和就是XYZ坐标对应的相加起来(两个空间点相加也就是这么算的)    for ( int i=0; i<N; i++ )    {        p1 += pts1[i];        p2 += pts2[i];    }    //前面p1、p2已经计算出来一个总和值，下面要除以个数，这里先将p1、p2转换成Vec3f类型，再除以N。    //是因为Point3f类型没有除法运算？    p1 = Point3f( Vec3f(p1) / N);    p2 = Point3f( Vec3f(p2) / N);    //创建去质心后的3d点数组    vector<Point3f> q1(N), q2(N);    //去质心运算    for ( int i=0; i<N; i++ )    {        q1[i] = pts1[i]-p1;        q2[i] = pts2[i]-p2;    }    // 根据P174页下方总结，计算 W = sum(q1*q2^T)    //首先定义W，类型为Eigen::Matrix3d，并初始化为0矩阵    Eigen::Matrix3d W = Eigen::Matrix3d::Zero();    for ( int i=0; i<N; i++ )    {        W += Eigen::Vector3d(q1[i].x, q1[i].y, q1[i].z)*Eigen::Vector3d(q2[i].x, q2[i].y, q2[i].z).transpose();    }    cout<<"W="<<W<<endl;    // 将W进行UV分解，注意用法，这里是Eigen库中的方法，创建一个JacobiSVD模板类对象，模板参数为Eigen::Matrix3d类型    Eigen::JacobiSVD<Eigen::Matrix3d> svd(W, Eigen::ComputeFullU|Eigen::ComputeFullV);    Eigen::Matrix3d U = svd.matrixU();    Eigen::Matrix3d V = svd.matrixV();    cout<<"U="<<U<<endl;    cout<<"V="<<V<<endl;    Eigen::Matrix3d R_ = U*(V.transpose());    Eigen::Vector3d t_ = Eigen::Vector3d(p1.x, p1.y, p1.z)-R_*Eigen::Vector3d(p2.x, p2.y, p2.z);    // convert to cv::Mat将Eigen::Matrix3d类型的R_转换成Mat类型的R,这里看起来有点啰嗦啊    R=(Mat_<double>(3, 3)<<                         R_(0, 0), R_(0, 1), R_(0, 2),                         R_(1, 0), R_(1, 1), R_(1, 2),                         R_(2, 0), R_(2, 1), R_(2, 2)      );    t = (Mat_<double>(3, 1)<<t_(0, 0), t_(1, 0), t_(2, 0));}void bundleAdjustment (        const vector< Point3f >& pts1,        const vector< Point3f >& pts2,        Mat& R, Mat& t ){    // 初始化g2o    //定义矩阵块求解器的类型，这里pose维度为 6, landmark 维度为 3。trait:特性    typedef g2o::BlockSolver< g2o::BlockSolverTraits<6,3> > Block;    //定义线性方程求解器，用于后面的矩阵块求解器构造    Block::LinearSolverType* linearSolver = new g2o::LinearSolverEigen<Block::PoseMatrixType>();    //定义矩阵块求解器，用于后面的优化算法构造    Block* solver_ptr = new Block( linearSolver );    //定义优化算法，这里用的是LM方法    g2o::OptimizationAlgorithmGaussNewton* solver = new g2o::OptimizationAlgorithmGaussNewton( solver_ptr );    //创建一个优化器，传入上方定义的solver    g2o::SparseOptimizer optimizer;    optimizer.setAlgorithm( solver );    // Vertex　定义顶点，只有一个顶点就是相机pose。    g2o::VertexSE3Expmap* pose = new g2o::VertexSE3Expmap(); // camera pose    pose->setId(0);    //这里相当于给了一个初始值，旋转为单位阵，平移为0向量    pose->setEstimate(g2o::SE3Quat(Eigen::Matrix3d::Identity(), Eigen::Vector3d(0, 0, 0)));    optimizer.addVertex(pose);    // edges　定义边，这里边就很多了，因为一张图上有很多匹配点，也就有很多观测值和误差项，    int index = 1;    //这里用到了上方定义的边的类型    vector<EdgeProjectXYZRGBDPoseOnly*> edges;    //for循环加进去    for ( size_t i=0; i<pts1.size(); i++ )    {        //边类型指针        EdgeProjectXYZRGBDPoseOnly* edge = new EdgeProjectXYZRGBDPoseOnly(Eigen::Vector3d(pts2[i].x, pts2[i].y, pts2[i].z) );        //每个边设置一个ID        edge->setId(index);        //设定链接的顶点，这里是一元边，所以一条边只链接一个顶点，而且整个图也就一个顶点，就是位姿pose        edge->setVertex(0, dynamic_cast<g2o::VertexSE3Expmap*> (pose));//这里这个类型转换貌似有点多余，因为pose类型本身就是g2o::VertexSE3Expmap*类型        //设定测量值，也就是第一组3d点，pts1        edge->setMeasurement(Eigen::Vector3d(pts1[i].x, pts1[i].y, pts1[i].z));        //设置信息矩阵，不知道为啥要*1e4        edge->setInformation(Eigen::Matrix3d::Identity()*1e4);        //添加到优化器中        optimizer.addEdge(edge);        index++;        edges.push_back(edge);    }    //优化过程信息输出设定为true    optimizer.setVerbose( true );    //开始优化    optimizer.initializeOptimization();    //优化次数10次    optimizer.optimize(10);    //优化结果输出    cout<<endl<<"after optimization:"<<endl;    cout<<"T="<<endl<<Eigen::Isometry3d( pose->estimate() ).matrix()<<endl;    return;}
阅读全文
0 0