第十章g2o_custombundle/g2o_bundle.cpp
来源:互联网 发布:工业设计软件培训班 编辑:程序博客网 时间:2024/05/19 00:52
这个程序就是核心的g2o优化的主程序了,前面定义好了数据读写类,参数设定类,这里直接用就好了。
还是分了几个函数:
首先是BuildProblem():
这个函数主要作用就是往g2o中增加顶点和边,并将初始值添加进去。
然后是SetSolverOptionsFromFlags():这个函数就是构造优化器
还是g2o常用路数:
1、typedef块求解器的维度。
2、用线性求解器构造块求解器。
3、用块求解器构造下降策略。
4、将下降策略设定为optimizer的setAlgorithm()。
SolveProblem()就启动优化了,此函数运行完后优化就完毕了。所以main()中就是直接调用了一句这个函数就完事了。
#include <Eigen/StdVector>#include <Eigen/Core>#include <iostream>#include <stdint.h>#include <unordered_set>#include <memory>#include <vector>#include <stdlib.h> #include "g2o/stuff/sampler.h"#include "g2o/core/sparse_optimizer.h"#include "g2o/core/block_solver.h"#include "g2o/core/solver.h"#include "g2o/core/robust_kernel_impl.h"#include "g2o/core/batch_stats.h"#include "g2o/core/optimization_algorithm_levenberg.h"#include "g2o/core/optimization_algorithm_dogleg.h"#include "g2o/solvers/cholmod/linear_solver_cholmod.h"#include "g2o/solvers/dense/linear_solver_dense.h"#include "g2o/solvers/eigen/linear_solver_eigen.h"#include "g2o/solvers/pcg/linear_solver_pcg.h"#include "g2o/types/sba/types_six_dof_expmap.h"#include "g2o/solvers/structure_only/structure_only_solver.h"#include "common/BundleParams.h"#include "common/BALProblem.h"#include "g2o_bal_class.h"using namespace Eigen;using namespace std;typedef Eigen::Map<Eigen::VectorXd> VectorRef;typedef Eigen::Map<const Eigen::VectorXd> ConstVectorRef;//给块求解器模板类定义维度并typedef,pose的维度为9维,landmark维度为3维typedef g2o::BlockSolver<g2o::BlockSolverTraits<9,3> > BalBlockSolver;// set up the vertexs and edges for the bundle adjustment.//问题构建函数,传入一个BALProblem类型指针,稀疏求解器指针,参数类引用BundleParams&void BuildProblem(const BALProblem* bal_problem, g2o::SparseOptimizer* optimizer, const BundleParams& params){ //将bal_problem中的数据读出来 const int num_points = bal_problem->num_points(); const int num_cameras = bal_problem->num_cameras(); const int camera_block_size = bal_problem->camera_block_size(); const int point_block_size = bal_problem->point_block_size(); // Set camera vertex with initial value in the dataset. //将相机数据的首位置读出,用于后方数据读取 const double* raw_cameras = bal_problem->cameras(); for(int i = 0; i < num_cameras; ++i) { //这里将9维相机位姿从数组中取出来构建成矩阵,用于下面的顶点的初始值赋值 ConstVectorRef temVecCamera(raw_cameras + camera_block_size * i,camera_block_size); //开辟个新的相机顶点类指针 VertexCameraBAL* pCamera = new VertexCameraBAL(); //设定初始值 pCamera->setEstimate(temVecCamera); // initial value for the camera i.. //设定ID pCamera->setId(i); // set id for each camera vertex // remeber to add vertex into optimizer.. optimizer->addVertex(pCamera); } // Set point vertex with initial value in the dataset. //同样,这里将路标数据的首位置读出,用于后面读取 const double* raw_points = bal_problem->points(); // const int point_block_size = bal_problem->point_block_size(); for(int j = 0; j < num_points; ++j) { //同样,将数组中的路边数据读出构建成矩阵 ConstVectorRef temVecPoint(raw_points + point_block_size * j, point_block_size); //开辟个新的路标顶点指针 VertexPointBAL* pPoint = new VertexPointBAL(); //设定初始值 pPoint->setEstimate(temVecPoint); // initial value for the point i.. //设定ID,不能跟上面的相机顶点重复,所以加了个相机个数,直接往后排 pPoint->setId(j + num_cameras); // each vertex should have an unique id, no matter it is a camera vertex, or a point vertex // remeber to add vertex into optimizer.. //由于路标要被边缘化计算,所以设置边缘化属性为true pPoint->setMarginalized(true); //将顶点添加进优化器 optimizer->addVertex(pPoint); } // Set edges for graph.. //取出边的个数 const int num_observations = bal_problem->num_observations(); //取出边数组首位置 const double* observations = bal_problem->observations(); // pointer for the first observation.. //用观测个数控制循环,来添加所有的边 for(int i = 0; i < num_observations; ++i) { //开辟边内存指针 EdgeObservationBAL* bal_edge = new EdgeObservationBAL(); //由于每条边要定义连接的顶点ID,所以这里将cameraID和pointID取出 const int camera_id = bal_problem->camera_index()[i]; // get id for the camera; const int point_id = bal_problem->point_index()[i] + num_cameras; // get id for the point //???what? if(params.robustify) { g2o::RobustKernelHuber* rk = new g2o::RobustKernelHuber; rk->setDelta(1.0); bal_edge->setRobustKernel(rk); } // set the vertex by the ids for an edge observation // 这里对每条边进行设置: // 连接的两个顶点 bal_edge->setVertex(0,dynamic_cast<VertexCameraBAL*>(optimizer->vertex(camera_id))); bal_edge->setVertex(1,dynamic_cast<VertexPointBAL*>(optimizer->vertex(point_id))); //信息矩阵,这里依旧是单位阵 bal_edge->setInformation(Eigen::Matrix2d::Identity()); //设置默认值,就是将观测数据读进去 bal_edge->setMeasurement(Eigen::Vector2d(observations[2*i+0],observations[2*i+1])); //将边添加进优化器 optimizer->addEdge(bal_edge) ; }}//再看一下程序各个类作用://BALProblem跟优化数据txt对接,负责txt的读取、写入,同时还有生成PLY点云文件的功能//BundleParams类负责优化需要的参数值,默认值设定和用户命令行输入等功能。//整体这样归类之后,所有优化数据就去BALProblem类对象中询问,参数就去BundleParams类对象询问。//这个函数的作用是将优化后的结果再写入到BALProblem类中,//注意,在BALProblem类中,定义的所有读取写入功能都是BALProblem类与txt数据的,并没有优化后的数据与BALProblem的,//所以这里定义了之后,就会产生优化后的数据类BALProblem,这样再跟txt或者PLY对接的话就很容易了。//参数很容易理解,被写入的BALProblem*,优化器void WriteToBALProblem(BALProblem* bal_problem, g2o::SparseOptimizer* optimizer){ const int num_points = bal_problem->num_points(); const int num_cameras = bal_problem->num_cameras(); const int camera_block_size = bal_problem->camera_block_size(); const int point_block_size = bal_problem->point_block_size(); //用mutable_cameras()函数取得相机首地址,用于后面的数据写入 double* raw_cameras = bal_problem->mutable_cameras(); for(int i = 0; i < num_cameras; ++i) { //将相机顶点取出,这里说一下为什么要做这一步指针类型转化,因为optimizer->vertex(i)返回的类型是个vertex*指针类型, //需要将其转化成VertexCameraBAL*才能访问估计值,直接像下面的用法会报错: //optimizer->vertex(i)-> estimate(); //原程序是下面这样写的,但是感觉这里用auto比较方便一些,并且也更能体现pCamera仅是个承接的功能。 //VertexCameraBAL* pCamera = dynamic_cast<VertexCameraBAL*>(optimizer->vertex(i)); auto pCamera = dynamic_cast<VertexCameraBAL*>(optimizer->vertex(i)); Eigen::VectorXd NewCameraVec = pCamera->estimate(); //取得估计值之后,就可以memcpy()了,这里当然是一个9维的数组,长度上很明显是9*double memcpy(raw_cameras + i * camera_block_size, NewCameraVec.data(), sizeof(double) * camera_block_size); } //同理在point上也是一样,不再细说 double* raw_points = bal_problem->mutable_points(); for(int j = 0; j < num_points; ++j) { VertexPointBAL* pPoint = dynamic_cast<VertexPointBAL*>(optimizer->vertex(j + num_cameras)); Eigen::Vector3d NewPointVec = pPoint->estimate(); memcpy(raw_points + j * point_block_size, NewPointVec.data(), sizeof(double) * point_block_size); }}//this function is unused yet..void SetMinimizerOptions(std::shared_ptr<BalBlockSolver>& solver_ptr, const BundleParams& params, g2o::SparseOptimizer* optimizer){ //std::cout<<"Set Minimizer .."<< std::endl; g2o::OptimizationAlgorithmWithHessian* solver; if(params.trust_region_strategy == "levenberg_marquardt"){ solver = new g2o::OptimizationAlgorithmLevenberg(solver_ptr.get()); } else if(params.trust_region_strategy == "dogleg"){ solver = new g2o::OptimizationAlgorithmDogleg(solver_ptr.get()); } else { std::cout << "Please check your trust_region_strategy parameter again.."<< std::endl; exit(EXIT_FAILURE); } optimizer->setAlgorithm(solver); //std::cout<<"Set Minimizer .."<< std::endl;}//this function is unused yet..void SetLinearSolver(std::shared_ptr<BalBlockSolver>& solver_ptr, const BundleParams& params){ //std::cout<<"Set Linear Solver .."<< std::endl; g2o::LinearSolver<BalBlockSolver::PoseMatrixType>* linearSolver = 0; if(params.linear_solver == "dense_schur" ){ linearSolver = new g2o::LinearSolverDense<BalBlockSolver::PoseMatrixType>(); } else if(params.linear_solver == "sparse_schur"){ linearSolver = new g2o::LinearSolverCholmod<BalBlockSolver::PoseMatrixType>(); dynamic_cast<g2o::LinearSolverCholmod<BalBlockSolver::PoseMatrixType>* >(linearSolver)->setBlockOrdering(true); // AMD ordering , only needed for sparse cholesky solver } solver_ptr = std::make_shared<BalBlockSolver>(linearSolver); std::cout << "Set Complete.."<< std::endl;}//求解设置:使用哪种下降方式,使用哪类线性求解器/** * 设置求解选项,其实核心就是构建一个optimizer * @param bal_problem 优化数据 * @param params 优化参数 * @param optimizer 稀疏优化器 */void SetSolverOptionsFromFlags(BALProblem* bal_problem, const BundleParams& params, g2o::SparseOptimizer* optimizer){ BalBlockSolver* solver_ptr; g2o::LinearSolver<BalBlockSolver::PoseMatrixType>* linearSolver = nullptr; //使用稠密计算方法 if(params.linear_solver == "dense_schur" ) { linearSolver = new g2o::LinearSolverDense<BalBlockSolver::PoseMatrixType>(); } //使用稀疏计算方法 else if(params.linear_solver == "sparse_schur") { linearSolver = new g2o::LinearSolverCholmod<BalBlockSolver::PoseMatrixType>(); //让solver对矩阵排序保持稀疏性 dynamic_cast<g2o::LinearSolverCholmod<BalBlockSolver::PoseMatrixType>* >(linearSolver)->setBlockOrdering(true); // AMD ordering , only needed for sparse cholesky solver } //将线性求解器对象传入块求解器中,构造块求解器对象 solver_ptr = new BalBlockSolver(linearSolver); //SetLinearSolver(solver_ptr, params); //SetMinimizerOptions(solver_ptr, params, optimizer); //将块求解器对象传入下降策略中,构造下降策略对象 g2o::OptimizationAlgorithmWithHessian* solver; //根据参数选择是LM还是DL if(params.trust_region_strategy == "levenberg_marquardt"){ solver = new g2o::OptimizationAlgorithmLevenberg(solver_ptr); } else if(params.trust_region_strategy == "dogleg"){ solver = new g2o::OptimizationAlgorithmDogleg(solver_ptr); } else //这里有一道防呆,没有输入下降策略或者输入错误时,输出报警并退出 { std::cout << "Please check your trust_region_strategy parameter again.."<< std::endl; exit(EXIT_FAILURE); } //将下降策略传入优化器的优化逻辑中,至此,一个优化器就构建好了 optimizer->setAlgorithm(solver);}//开始优化,这个优化函数参数就是待优化文件和优化参数void SolveProblem(const char* filename, const BundleParams& params){ BALProblem bal_problem(filename); // show some information here ... std::cout << "bal problem file loaded..." << std::endl; //.num_cameras()返回num_cameras_ 值,显示相机数量 //.num_points()返回num_points_ 值,显示路标数量 std::cout << "bal problem have " << bal_problem.num_cameras() << " cameras and " << bal_problem.num_points() << " points. " << std::endl; //.num_observations()返回num_observations_ 值,显示观测边的数量 std::cout << "Forming " << bal_problem.num_observations() << " observatoins. " << std::endl; // store the initial 3D cloud points and camera pose.. if(!params.initial_ply.empty()) { //优化前将BALProblem类中的数据生成一下点云数据,因为优化后,这个类中的数据会被覆盖 bal_problem.WriteToPLYFile(params.initial_ply); } std::cout << "beginning problem..." << std::endl; // add some noise for the intial value srand(params.random_seed); //这里发现就用到了Normalize(),感觉就是对数据的处理, bal_problem.Normalize(); bal_problem.Perturb(params.rotation_sigma, params.translation_sigma, params.point_sigma); std::cout << "Normalization complete..." << std::endl; //创建一个稀疏优化器对象 g2o::SparseOptimizer optimizer; //用SetSolverOptionsFromFlags()对优化器进行设置 SetSolverOptionsFromFlags(&bal_problem, params, &optimizer); //设置完后,用BuildProblem()进行优化,参数也很清晰了:数据,优化器,参数 BuildProblem(&bal_problem, &optimizer, params); std::cout << "begin optimizaiton .."<< std::endl; // perform the optimizaiton //开始优化 optimizer.initializeOptimization(); //输出优化信息 optimizer.setVerbose(true); optimizer.optimize(params.num_iterations); std::cout << "optimization complete.. "<< std::endl; // write the optimized data into BALProblem class //优化完后,将优化的数据写入BALProblem类,此时这个类中原始数据已经被覆盖,不过没关系,在优化前,它已经生成过PLY点云文件了 WriteToBALProblem(&bal_problem, &optimizer); // write the result into a .ply file. if(!params.final_ply.empty()) { //优化后,将优化后的数据生成点云文件 bal_problem.WriteToPLYFile(params.final_ply); }}int main(int argc, char** argv){ //在这里搞参数时就很简单了,因为BundleParams类中自带了BA用的所有参数,并且都有默认值, //由argc,argv构造也是类构造函数决定的,需要读一下命令行中有没有用户自定义的参数值,有读进来将默认值覆盖 BundleParams params(argc,argv); // set the parameters here. //判断一下,如果输入的数据为空的话,肯定报警了。 if(params.input.empty()){ std::cout << "Usage: bundle_adjuster -input <path for dataset>"; return 1; } //main()中直接调用SolveProblem()就好了,传入数据和优化参数 SolveProblem(params.input.c_str(), params); //到这里看出一些设计思想,主函数中代码很少,其实要的就是这种效果,通过后台类的设计,在使用时,就传入待优化数据和需要的参数就能出结果 //任何功能模块在使用端都希望是这种用法,简单直接,不care函数内部实现逻辑,调用时一句话,传参出结果。 //函数黑箱内部的实现也是分块去实现,不同的功能写在不同的类中,类比函数好的一点是不光有功能,还能存储数据。 //设计思想值得借鉴,感觉已经是一个基本后端小框架了,不是之前仅为了练习写的demo。 return 0;}
阅读全文
0 0
- 第十章g2o_custombundle/g2o_bundle.cpp
- 第十章g2o_custombundle中的common文件夹中的flags文件夹下的command_args.cpp
- 第十章g2o_custombundle中的common文件夹中的BundleParams.h
- 第十章g2o_custombundle中的common文件夹中的flags文件夹下的command_args.h
- 算法导论第十章-基本数据结构-Cpp代码实现
- 第十一周项目1 - 二叉树算法验证.cpp
- 第十周项目1 - 二叉树算法库.cpp
- 第十一周项目1 - 二叉树算法验证.cpp
- 第十一周项目1 - 二叉树算法验证.cpp
- 第十章
- 第十章
- 第十章
- 第十章
- 第十章
- 第十章
- 第十章
- CPP Primer 第四章
- CPP Primer 第十五章
- BZOJ1260 [CQOI2007]涂色paint
- 魔方CFOP算法java实现
- js和jquery实现图片轮播
- 自定义View的绘画加载的画圆圈
- 使用反射获得参数列表里的注解getParameterAnnotations
- 第十章g2o_custombundle/g2o_bundle.cpp
- flask-mail__电子邮件
- xcode4的环境变量,Build Settings参数,workspace及联编设置
- 图形数据库的优势是什么,以Neo4j为例子
- 文章标题多线程概述和基本使用
- 阿里云 centos7 64 安装 mysql 5.6
- 细思恐极的星座分析(上) ——用大数据和机器学习揭开十二星座的真实面目!
- 大数据早报:搜狐《数字之道》,召唤新势力 十一数据观:钱和人都去哪了?(10.10)
- 数据结构--杂记-二分查找