一起做RGB-D SLAM (2)

第二讲 从图像到点云

---

　　本讲中，我们将带领读者，编写一个将图像转换为点云的程序。该程序是后期处理地图的基础。最简单的点云地图即是把不同位置的点云进行拼接得到的。

　　当我们使用RGB-D相机时，会从相机里读到两种数据：彩色图像和深度图像。如果你有Kinect和ros，可以运行：

1 roslaunch openni_launch openni.launch

　　使Kinect工作。随后，如果PC连接上了Kinect，彩色图像与深度图像就会发布在 /camera/rgb/image_color 和 /camera/depth_registered/image_raw 中。你可以通过：

1 rosrun image_view image_view image:=/camera/rgb/image_color

　　来显示彩色图像。或者，你也可以在Rviz里看到图像与点云的可视化数据。

　　小萝卜：可是师兄！我现在手边没有Kinect，该怎么办啊！

　　师兄：没关系！你可以下载我们给你提供的数据。实际上就是下面两张图片啦！

　　小萝卜：怎么深度图是一团黑的呀！

　　师兄：请睁大眼睛仔细看！怎么可能是黑的！

　　小萝卜：呃……可是确实是黑的啊！

　　师兄：对！这是由于画面里的物体离我们比较近，所以看上去比较黑。但是你实际去读的话可是有数据的哦！

　　重要的备注：

1. 这两张图来自于nyuv2数据集：http://cs.nyu.edu/~silberman/datasets/ 原图格式是ppm和pgm的，被我转成了png格式（否则博客园不让传……）。
2. 你可以直接另存为这两个图，也可以到我的git里面获取这两个图。
3. 实际Kinect里（或其他rgb-d相机里）直接采到的RGB图和深度图可能会有些小问题：
   • 有一些时差（约几到十几个毫秒）。这个时差的存在，会产生“RGB图已经向右转了，怎么深度图还没转”的感觉哦。
   • 光圈中心未对齐。因为深度毕竟是靠另一个相机获取的，所以深度传感器和彩色传感器参数可能不一致。
   • 深度图里有很多“洞”。因为RGB-D相机不是万能的，它有一个探测距离的限制啦！太远或太近的东西都是看不见的呢。关于这些“洞”，我们暂时睁一只眼闭一只眼，不去理它。以后我们也可以靠双边bayes滤波器去填这些洞。但是！这是RGB-D相机本身的局限性。软件算法顶多给它修修补补，并不能完全弥补它的缺陷。

　　不过请你放心，在我们给出的这两个图中，都进行了预处理。你可以认为“深度图就是彩色图里每个像素距传感器的距离”啦！

　　师兄：现在，我们要把这两个图转成点云啦，因为计算每个像素的空间点位置，可是后面配准、拼图等一系列事情的基础呢。比如，在配准时，必须知道特征点的3D位置呢，这时候就要用到我们这里讲到的知识啦！

　　小萝卜：听起来很重要的样子！

　　师兄：对！所以请读者朋友务必掌握好这部分的内容啦！

从2D到3D（数学部分）

　　上面两个图像给出了机器人外部世界的一个局部的信息。假设这个世界由一个点云来描述：X={x1,…,xn}X={x1,…,xn}. 其中每一个点呢，有 r,g,b,x,y,z一共6个分量，表示它们的颜色与空间位置。颜色方面，主要由彩色图像记录； 而空间位置，可以由图像和相机模型、姿态一起计算出来。

，表示它们的颜色与空间位置。颜色方面，主要由彩色图像记录； 而空间位置，可以由图像和相机模型、姿态一起计算出来。

　　对于常规相机，SLAM里使用针孔相机模型（图来自http://www.comp.nus.edu.sg/~cs4243/lecture/camera.pdf ）：

　　简而言之，一个空间点[x,y,,z]和它在图像中的像素坐标[u,v,d] (dd指深度数据) 的对应关系是这样的：

从2D到3D （编程部分）

　　下面，我们来实现一个程序，完成从图像到点云的转换。请在上一节讲到的 代码根目录/src/ 文件夹中新建一个generatePointCloud.cpp文件：

1 touch src/generatePointCloud.cpp

　　小萝卜：师兄！一个工程里可以有好几个main函数么？

　　师兄：对呀，cmake允许你自己定义编译的过程。我们会把这个cpp也编译成一个可执行的二进制，只要在cmakelists.txt里作相应的更改便行了。

　　接下来，请在刚建的文件里输入下面的代码。为保证行文的连贯性，我们先给出完整的代码，然后在重要的地方加以解释。建议新手逐字自己敲一遍，你会掌握得更牢固。

// C++ 标准库#include <iostream>#include <string>using namespace std;// OpenCV 库#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>// PCL 库#include <pcl/io/pcd_io.h>#include <pcl/point_types.h>// 定义点云类型typedef pcl::PointXYZRGBA PointT;typedef pcl::PointCloud<PointT> PointCloud; // 相机内参const double camera_factor = 1000;const double camera_cx = 325.5;const double camera_cy = 253.5;const double camera_fx = 518.0;const double camera_fy = 519.0;// 主函数 int main( int argc, char** argv ){    // 读取./data/rgb.png和./data/depth.png，并转化为点云    // 图像矩阵    cv::Mat rgb, depth;    // 使用cv::imread()来读取图像    // API: http://docs.opencv.org/modules/highgui/doc/reading_and_writing_images_and_video.html?highlight=imread#cv2.imread    rgb = cv::imread( "./data/rgb.png" );    // rgb 图像是8UC3的彩色图像    // depth 是16UC1的单通道图像，注意flags设置-1,表示读取原始数据不做任何修改    depth = cv::imread( "./data/depth.png", -1 );    // 点云变量    // 使用智能指针，创建一个空点云。这种指针用完会自动释放。    PointCloud::Ptr cloud ( new PointCloud );    // 遍历深度图    for (int m = 0; m < depth.rows; m++)        for (int n=0; n < depth.cols; n++)        {            // 获取深度图中(m,n)处的值            ushort d = depth.ptr<ushort>(m)[n];            // d 可能没有值，若如此，跳过此点            if (d == 0)                continue;            // d 存在值，则向点云增加一个点            PointT p;            // 计算这个点的空间坐标            p.z = double(d) / camera_factor;            p.x = (n - camera_cx) * p.z / camera_fx;            p.y = (m - camera_cy) * p.z / camera_fy;                        // 从rgb图像中获取它的颜色            // rgb是三通道的BGR格式图，所以按下面的顺序获取颜色            p.b = rgb.ptr<uchar>(m)[n*3];            p.g = rgb.ptr<uchar>(m)[n*3+1];            p.r = rgb.ptr<uchar>(m)[n*3+2];            // 把p加入到点云中            cloud->points.push_back( p );        }    // 设置并保存点云    cloud->height = 1;    cloud->width = cloud->points.size();    cout<<"point cloud size = "<<cloud->points.size()<<endl;    cloud->is_dense = false;    pcl::io::savePCDFile( "./pointcloud.pcd", *cloud );    // 清除数据并退出    cloud->points.clear();    cout<<"Point cloud saved."<<endl;    return 0;}

程序运行需要数据。请把上面的那两个图存放在 代码根目录/data 下（没有这个文件夹就新建一个）。

　　我们使用OpenCV的imread函数读取图片。在OpenCV2里，图像是以矩阵(cv::MAt)作为基本的数据结构。Mat结构既可以帮你管理内存、像素信息，还支持一些常见的矩阵运算，是非常方便的结构。彩色图像含有R,G,B三个通道，每个通道占8个bit（也就是unsigned char），故称为8UC3（8位unsigend char, 3通道）结构。而深度图则是单通道的图像，每个像素由16个bit组成（也就是C++里的unsigned short），像素的值代表该点离传感器的距离。通常1000的值代表1米，所以我们把camera_factor设置成1000. 这样，深度图里每个像素点的读数除以1000，就是它离你的真实距离了。

　　接下来，我们按照“先列后行”的顺序，遍历了整张深度图。在这个双重循环中：

1 for (int m = 0; m < depth.rows; m++)2      for (int n=0; n < depth.cols; n++)

　　m指图像的行，n是图像的列。它和空间点的坐标系关系是这样的：

　　深度图第m行，第n行的数据可以使用depth.ptr<ushort>(m) [n]来获取。其中，cv::Mat的ptr函数会返回指向该图像第m行数据的头指针。然后加上位移n后，这个指针指向的数据就是我们需要读取的数据啦。

　　计算三维点坐标的公式我们已经给出过了，代码里原封不动地实现了一遍。我们根据这个公式，新增了一个空间点，并放入了点云中。最后，把整个点云存储为 ./data/pointcloud.pcd 文件。

---

编译并运行

　　最后，我们在src/CMakeLists.txt里加入几行代码，告诉编译器我们希望编译这个程序。请在此文件中加入以下几行：

# 增加PCL库的依赖FIND_PACKAGE( PCL REQUIRED COMPONENTS common io )# 增加opencv的依赖FIND_PACKAGE( OpenCV REQUIRED )# 添加头文件和库文件ADD_DEFINITIONS( ${PCL_DEFINITIONS} )INCLUDE_DIRECTORIES( ${PCL_INCLUDE_DIRS}  )LINK_LIBRARIES( ${PCL_LIBRARY_DIRS} )ADD_EXECUTABLE( generate_pointcloud generatePointCloud.cpp )TARGET_LINK_LIBRARIES( generate_pointcloud ${OpenCV_LIBS}     ${PCL_LIBRARIES} )

然后，编译新的工程：

1 cd build2 cmake ..3 make4 cd ..

　　如果编译通过，就可在bin目录下找到新写的二进制：generate_pointcloud 运行它：

bin/generate_pointcloud

　　即可在data目录下生成点云文件。现在，你肯定希望查看一下新生成的点云了。如果已经安装了pcl，就可以通过：

1 pcl_viewer pointcloud.pcd

　　来查看新生成的点云。

---

课后作业

　　本讲中，我们实现了一个从2D图像到3D点云的转换程序。下一讲，我们将探讨图像的特征点提取与配准。配准过程中，我们需要计算2D图像特征点的空间位置。因此，请你编写一个头文件与一个源文件，实现一个point2dTo3d函数。请在头文件里写这个函数的声明，源文件里给出它的实现，并在cmake中把它编译成一个叫做slam_base的库。（你需要考虑如何定义一个比较好的接口。）这样一来，今后当我们需要计算它时，就只需调用这个函数就可以了。

　　小萝卜：师兄！这个作业看起来有些难度啊！

　　师兄：是呀，不能把读者想的太简单嘛。

　　最后呢，本节用到的源代码仍然可以从我的git里下载到。读者的鼓励就是对我最好的支持！

 

---

TIPS:

• 如果你打开点云，只看到红绿蓝三个方块，请按R重置视角。刚才你是站在原点盯着坐标轴看呢。
• 如果点云没有颜色，请按5显示颜色。
• cmake过程可能有PCL的警告，如果你编译成功了，无视它即可。这是程序员的本能。