关于SLAM的那些事——实时RGBD_ORB_SLAM (Ubuntu+Xtion)

来源：互联网发布：matlab矩阵归一化程序编辑：程序博客网时间：2024/06/15 15:16

最近写完了windows上的实时rgbd_slam后，读了些论文，想着怎么改进程序，想在闭环检测的方面尝试一下。最近很火的ORB_SLAM2使用了DBoW2（ORB词袋）的方法，极大的提高了速度和匹配准确度，windows版的orb_slam2还没跑成功（一部分库的编译出现了问题，不过等研究做完了，会继续跑windows版本的），这几天一直在尝试ubuntu版的orb_slam的实时重建，今天终于成功了！～（感谢高博士为我们提供了加了3D建图模块的libORB_SLAM2.so（高博的博客：半闲居士））

首先orb_slam2的话，github下载源码编译很容易，按照官方github下面的教程走就行。晒几张TUM数据集的结果：

desk：

room：

效果很棒，模拟轨迹和groundtruth的绝对误差真的和论文上说的一样小。我觉得ORB_SLAM2真的是现在视觉SLAM里最优秀的一版，考虑的非常全面。

那么如果我们要用到自己的项目中，该怎么调用呢？特别棒的一点是，原作者提供了libORB_SLAM2.so给我们，加上头文件System.h，我们就可以把ORB_SLAM作为一个整体加到我们的项目中。但是源码中并没有3D建图的模块，需要做相应改变，高博士为我们提供了加了3D建图模块的libORB_SLAM2.so，这时我们就可以根据自己的需求（kinect，xtion或其他可以获得点云的sensors）。高博的博客中有一篇是用的kinect2，在ROS运行的orb_slam2，今天我们来试一试不用ROS，通过OpenNI2直接调用xtion获取rgb数据和depth数据来重建环境（之前有windows上运行openni2_xtion的经验）。我的建议，要么xtion要么kinect2, 因为kinect很鸡肋，xtion比它轻巧，kinect2比它分辨率高。(源码下载csdn 源码下载github)（词袋文件太大，各位可以从官方github下载）

扯了这么多，现在拉回主线。在ORB_SLAM2/Examples/RGB-D/中，创建rgbd_xtion_cc.cpp：

#include <iostream>#include <algorithm>#include <fstream>#include <chrono>#include <OpenNI.h>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <System.h>   // orb_slam2using namespace std;using namespace openni;using namespace cv;void showdevice(){    // 获取设备信息      Array<DeviceInfo> aDeviceList;    OpenNI::enumerateDevices(&aDeviceList);    cout << "电脑上连接着 " << aDeviceList.getSize() << " 个体感设备." << endl;    for (int i = 0; i < aDeviceList.getSize(); ++i)    {        cout << "设备 " << i << endl;        const DeviceInfo& rDevInfo = aDeviceList[i];        cout << "设备名： " << rDevInfo.getName() << endl;        cout << "设备Id： " << rDevInfo.getUsbProductId() << endl;        cout << "供应商名： " << rDevInfo.getVendor() << endl;        cout << "供应商Id: " << rDevInfo.getUsbVendorId() << endl;        cout << "设备URI: " << rDevInfo.getUri() << endl;    }}Status initstream(Status& rc, Device& xtion, VideoStream& streamDepth, VideoStream& streamColor){    rc = STATUS_OK;    // 创建深度数据流    rc = streamDepth.create(xtion, SENSOR_DEPTH);    if (rc == STATUS_OK)    {        // 设置深度图像视频模式        VideoMode mModeDepth;        // 分辨率大小        mModeDepth.setResolution(640, 480);        // 每秒30帧        mModeDepth.setFps(30);        // 像素格式        mModeDepth.setPixelFormat(PIXEL_FORMAT_DEPTH_1_MM);        streamDepth.setVideoMode(mModeDepth);        streamDepth.setMirroringEnabled(false);      //镜像        // 打开深度数据流        rc = streamDepth.start();        if (rc != STATUS_OK)        {            cerr << "无法打开深度数据流：" << OpenNI::getExtendedError() << endl;            streamDepth.destroy();        }    }    else    {        cerr << "无法创建深度数据流：" << OpenNI::getExtendedError() << endl;    }    // 创建彩色图像数据流    rc = streamColor.create(xtion, SENSOR_COLOR);    if (rc == STATUS_OK)    {        // 同样的设置彩色图像视频模式        VideoMode mModeColor;        mModeColor.setResolution(640, 480);        mModeColor.setFps(30);        mModeColor.setPixelFormat(PIXEL_FORMAT_RGB888);        streamColor.setVideoMode(mModeColor);        streamColor.setMirroringEnabled(false);   //镜像        // 打开彩色图像数据流        rc = streamColor.start();        if (rc != STATUS_OK)        {            cerr << "无法打开彩色图像数据流：" << OpenNI::getExtendedError() << endl;            streamColor.destroy();        }    }    else    {        cerr << "无法创建彩色图像数据流：" << OpenNI::getExtendedError() << endl;    }    if (!streamColor.isValid() || !streamDepth.isValid())    {        cerr << "彩色或深度数据流不合法" << endl;        OpenNI::shutdown();        rc = STATUS_ERROR;        return rc;    }    // 图像模式注册,彩色图与深度图对齐    if (xtion.isImageRegistrationModeSupported(        IMAGE_REGISTRATION_DEPTH_TO_COLOR))    {        xtion.setImageRegistrationMode(IMAGE_REGISTRATION_DEPTH_TO_COLOR);    }    return rc;}int main(int argc, char **argv){    if(argc != 3)    {        cerr << endl << "Usage: ./rgbd_cc path_to_vocabulary path_to_settings" << endl;        return 1;    }    // 创建ORB_SLAM系统. (参数1：ORB词袋文件  参数2：xtion参数文件)    ORB_SLAM2::System SLAM(argv[1],argv[2],ORB_SLAM2::System::RGBD,true);    cout << endl << "-------" << endl;    cout << "Openning Xtion ..." << endl;    Status rc = STATUS_OK;    // 初始化OpenNI环境    OpenNI::initialize();    showdevice();    // 声明并打开Device设备。    Device xtion;    const char * deviceURL = openni::ANY_DEVICE;  //设备名    rc = xtion.open(deviceURL);        VideoStream streamDepth;    VideoStream streamColor;    if(initstream(rc, xtion, streamDepth, streamColor) == STATUS_OK)     // 初始化数据流        cout << "Open Xtion Successfully!"<<endl;    else    {        cout << "Open Xtion Failed!"<<endl;        return 0;    }    // Main loop    cv::Mat imRGB, imD;    bool continueornot = true;    // 循环读取数据流信息并保存在VideoFrameRef中    VideoFrameRef  frameDepth;    VideoFrameRef  frameColor;    namedWindow("RGB Image", CV_WINDOW_AUTOSIZE);    for (double index = 1.0; continueornot; index+=1.0)    {        rc = streamDepth.readFrame(&frameDepth);        if (rc == STATUS_OK)        {            imD = cv::Mat(frameDepth.getHeight(), frameDepth.getWidth(), CV_16UC1, (void*)frameDepth.getData());   //获取深度图        }        rc = streamColor.readFrame(&frameColor);        if (rc == STATUS_OK)        {            const Mat tImageRGB(frameColor.getHeight(), frameColor.getWidth(), CV_8UC3, (void*)frameColor.getData());   //获取彩色图            cvtColor(tImageRGB, imRGB, CV_RGB2BGR);            imshow("RGB Image",imRGB);        }        SLAM.TrackRGBD( imRGB, imD,  index);   // ORB_SLAM处理深度图和彩色图        char c  = cv::waitKey(5);        switch(c)        {        case 'q':        case 27:         //退出            continueornot = false;            break;        case 'p':         //暂停            cv::waitKey(0);            break;        default:            break;        }    }    // Stop all threads    SLAM.Shutdown();    SLAM.SaveTrajectoryTUM("trajectory.txt");    cv::destroyAllWindows();    return 0;}

思路很简单，首先创建orb_slam系统，传入词袋和xtion/orb参数; 然后从xtion得到彩色图和深度图，调用slam的tracking线程处理得到位姿（当然也有loop线程的闭环检测和g2o下线程的优化），融合点云到同一个坐标下并显示（pointcloudmapping.h / cc里有声明和定义）。

然后在ORB_SLAM2/CMakeLists中添加：

find_package(OpenNI2 REQUIRED)include_directories("/usr/include/openni2/")LINK_LIBRARIES( ${OpenNI2_LIBRARY} )target_link_libraries(${PROJECT_NAME}${OpenNI2_LIBRARY})add_executable(rgbd_xtion_ccExamples/RGB-D/rgbd_xtion_cc.cpp)target_link_libraries(rgbd_xtion_cc ${PROJECT_NAME})

然后就可以在ORB_SLAM2/build/里cmake .. 和 make了。完成后可以看到ORB_SLAM2/Examples/RGB-D/里有可执行文件rgbd_xtion_cc。（rgbd_tum是跑TUM数据集的， rgbd_cc是跑自己的数据集的，这两个都是预先采集好彩色图和深度图）

最后在ORB_SLAM2/Examples/RGB-D/里创建xtion的参数文件xtion.yaml （包含了ORB参数信息），大家根据标定（OpenCV，ROS，MATLAB等）结果自行修改内参（rgb内参和畸变）：

%YAML:1.0#--------------------------------------------------------------------------------------------# Camera Parameters. xtion 640*480#--------------------------------------------------------------------------------------------# Camera calibration and distortion parameters (OpenCV) Camera.fx: 558.341390Camera.fy: 558.387543Camera.cx: 314.763671Camera.cy: 240.992295Camera.k1: 0.062568Camera.k2: -0.096148Camera.p1: 0.000140Camera.p2: -0.006248Camera.k3: 0.000000Camera.width: 640Camera.height: 480# Camera frames per second Camera.fps: 30.0# IR projector baseline times fx (aprox.)Camera.bf: 40.0# Color order of the images (0: BGR, 1: RGB. It is ignored if images are grayscale)Camera.RGB: 0# Close/Far threshold. Baseline times.ThDepth: 50.0# Deptmap values factor DepthMapFactor: 1000.0#--------------------------------------------------------------------------------------------# ORB Parameters#--------------------------------------------------------------------------------------------# ORB Extractor: Number of features per imageORBextractor.nFeatures: 1000# ORB Extractor: Scale factor between levels in the scale pyramid ORBextractor.scaleFactor: 1.2# ORB Extractor: Number of levels in the scale pyramidORBextractor.nLevels: 8# ORB Extractor: Fast threshold# Image is divided in a grid. At each cell FAST are extracted imposing a minimum response.# Firstly we impose iniThFAST. If no corners are detected we impose a lower value minThFAST# You can lower these values if your images have low contrastORBextractor.iniThFAST: 20ORBextractor.minThFAST: 7#--------------------------------------------------------------------------------------------# Viewer Parameters#--------------------------------------------------------------------------------------------Viewer.KeyFrameSize: 0.05Viewer.KeyFrameLineWidth: 1Viewer.GraphLineWidth: 0.9Viewer.PointSize:2Viewer.CameraSize: 0.08Viewer.CameraLineWidth: 3Viewer.ViewpointX: 0Viewer.ViewpointY: -0.7Viewer.ViewpointZ: -1.8Viewer.ViewpointF: 500#--------------------------------------------------------------------------------------------# PointCloud Mapping#--------------------------------------------------------------------------------------------PointCloudMapping.Resolution: 0.01

现在来运行吧～在ORB_SLAM2/下打开终端，输入 ./Examples/RGB-D/rgbd_xtion_cc Vocabulary/ORBvoc.txt Examples/RGB-D/xtion.yaml 系统加载ORB词袋，然后打开xtion设备，采集图像处理，显示角点，轨迹和点云：

按‘q’或esc程序退出，自动保存估计的轨迹和点云pcd文件到ORB_SLAM2/下（帧数较多时如3000帧，保存时间较长20s左右）。运行pcl_viewer xx.pcd 即可查看。保存优化后的点云的代码在pointcloudmapping.cc里:

    globalMap->clear();    for(size_t i=0;i<keyframes.size();i++)                               // save the optimized pointcloud    {        cout<<"keyframe "<<i<<" ..."<<endl;        PointCloud::Ptr tp = generatePointCloud( keyframes[i], colorImgs[i], depthImgs[i] );        PointCloud::Ptr tmp(new PointCloud());        voxel.setInputCloud( tp );        voxel.filter( *tmp );        *globalMap += *tmp;        viewer.showCloud( globalMap );    }    PointCloud::Ptr tmp(new PointCloud());    sor.setInputCloud(globalMap);    sor.filter(*tmp);    globalMap->swap( *tmp );             pcl::io::savePCDFileBinary ( "optimized_pointcloud.pcd", *globalMap );    cout<<"Save point cloud file successfully!"<<endl;

局部1：

局部2：

局部3：

接下来准备改进词袋，尝试加入3d特征描述words，训练然后提高匹配精准度，拭目以待。

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

2016/6/23补充：

很多同学没有FindOpenNI2.cmake, 导致了系统找不到openni2的库

这里给大家提供了一个FindOpenNI2.cmake文件，复制内容到新的cmake文件，

保存后存到 /usr/share/cmake-2.8/Modules/中去就好了。

## Try to find OPenNI2 library and include path.# Once done this will define## FIND_PATH( OpenNI2_INCLUDE_PATH OpenNI.h    /usr/include    /usr/local/include    /sw/include    /opt/local/include    DOC "The directory where OpenNI.h resides")FIND_LIBRARY( OpenNI2_LIBRARY    NAMES OpenNI2 openni2    PATHS    /usr/lib64    /usr/lib    /usr/local/lib64    /usr/local/lib    /sw/lib    /opt/local/lib    DOC "The OpenNI2 library")IF (OpenNI2_INCLUDE_PATH)    SET( OpenNI2_FOUND 1 CACHE STRING "Set to 1 if OpenNI2 is found, 0 otherwise")ELSE (OpenNI2_INCLUDE_PATH)    SET( OpenNI2_FOUND 0 CACHE STRING "Set to 1 if OpenNI2 is found, 0 otherwise")ENDIF (OpenNI2_INCLUDE_PATH)MARK_AS_ADVANCED( OpenNI2_FOUND )

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

2016/8/12补充：

(回答4楼的问题，由于CSDN回复功能的渣过滤技术，只能写在这里了)

1。Camera.bf中的b指基线baseline（单位：米），f是焦距fx（x轴和y轴差距不大），bf=b*f，和ThDepth一起决定了深度点的范围：bf * ThDepth / fx即大致为b * ThDepth。基线在双目视觉中出现的比较多，如ORB-SLAM中的双目示例中的EuRoC.yaml中的bf为47.9，ThDepth为35，fx为435.2，则有效深度为47.9*35/435.3=3.85米；KITTI.yaml中的bf为387.57，ThDepth为40，fx为721.54，则有效深度为387.57*40/721.54=21.5米。这里的xtion的IR基线（其实也可以不这么叫）bf为40，ThDepth为50，fx为558.34，则有效深度为3.58米（官方为3.5米）。

2。DepthMapFactor: 1000.0这个很好理解，depth深度图的值为真实3d点深度*1000. 例如depth值为2683，则真是世界尺度的这点的深度为2.683米。这个值是可以人为转换的（如opencv中的convert函数，可以设置缩放因子），如TUM中的深度图的DepthMapFactor为5000，就代表深度图中的5000个单位为1米。

未来，属于一心想要改变世界的人。

-cc

3 0