一起做RGB-D SLAM (4)
来源:互联网 发布:linux解压rar文件 编辑:程序博客网 时间:2024/06/01 10:38
第四讲 点云拼接
上讲回顾
上一讲中,我们理解了如何利用图像中的特征点,估计相机的运动。最后,我们得到了一个旋转向量与平移向量。那么读者可能会问:这两个向量有什么用呢?在这一讲里,我们就要使用这两个向量,把两张图像的点云给拼接起来,形成更大的点云。
首先,我们把上一讲的内容封装进slamBase库中,代码如下:
include/slamBase.h
// 帧结构struct FRAME{ cv::Mat rgb, depth; //该帧对应的彩色图与深度图 cv::Mat desp; //特征描述子 vector<cv::KeyPoint> kp; //关键点};// PnP 结果struct RESULT_OF_PNP{ cv::Mat rvec, tvec; int inliers;};// computeKeyPointsAndDesp 同时提取关键点与特征描述子void computeKeyPointsAndDesp( FRAME& frame, string detector, string descriptor );// estimateMotion 计算两个帧之间的运动// 输入:帧1和帧2, 相机内参RESULT_OF_PNP estimateMotion( FRAME& frame1, FRAME& frame2, CAMERA_INTRINSIC_PARAMETERS& camera );
我们把关键帧和PnP的结果都封成了结构体,以便将来别的程序调用。这两个函数的实现如下:
src/slamBase.cpp
// computeKeyPointsAndDesp 同时提取关键点与特征描述子void computeKeyPointsAndDesp( FRAME& frame, string detector, string descriptor )
{
cv::Ptr<cv::FeatureDetector> _detector;
cv::Ptr<cv::DescriptorExtractor> _descriptor;
cv::initModule_nonfree();
_detector = cv::FeatureDetector::create( detector.c_str() );
_descriptor = cv::DescriptorExtractor::create( descriptor.c_str() );
if (!_detector || !_descriptor)
{
cerr<<"Unknown detector or discriptor type !"<<detector<<","<<descriptor<<endl;
return;
}
_detector->detect( frame.rgb, frame.kp );
_descriptor->compute( frame.rgb, frame.kp, frame.desp );
return;
}
// estimateMotion 计算两个帧之间的运动
// 输入:帧1和帧2
// 输出:rvec 和 tvec
RESULT_OF_PNP estimateMotion( FRAME& frame1, FRAME& frame2, CAMERA_INTRINSIC_PARAMETERS& camera )
{
static ParameterReader pd;
vector< cv::DMatch > matches;
cv::FlannBasedMatcher matcher;
matcher.match( frame1.desp, frame2.desp, matches );
cout<<"find total "<<matches.size()<<" matches."<<endl;
vector< cv::DMatch > goodMatches;
double minDis = 9999;
double good_match_threshold = atof( pd.getData( "good_match_threshold" ).c_str() );
for ( size_t i=0; i<matches.size(); i++ )
{
if ( matches[i].distance < minDis )
minDis = matches[i].distance;
}
for ( size_t i=0; i<matches.size(); i++ )
{
if (matches[i].distance < good_match_threshold*minDis)
goodMatches.push_back( matches[i] );
}
cout<<"good matches: "<<goodMatches.size()<<endl;
// 第一个帧的三维点
vector<cv::Point3f> pts_obj;
// 第二个帧的图像点
vector< cv::Point2f > pts_img;
// 相机内参
for (size_t i=0; i<goodMatches.size(); i++)
{
// query 是第一个, train 是第二个
cv::Point2f p = frame1.kp[goodMatches[i].queryIdx].pt;
// 获取d是要小心!x是向右的,y是向下的,所以y才是行,x是列!
ushort d = frame1.depth.ptr<ushort>( int(p.y) )[ int(p.x) ];
if (d == 0)
continue;
pts_img.push_back( cv::Point2f( frame2.kp[goodMatches[i].trainIdx].pt ) );
// 将(u,v,d)转成(x,y,z)
cv::Point3f pt ( p.x, p.y, d );
cv::Point3f pd = point2dTo3d( pt, camera );
pts_obj.push_back( pd );
}
double camera_matrix_data[3][3] = {
{camera.fx, 0, camera.cx},
{0, camera.fy, camera.cy},
{0, 0, 1}
};
cout<<"solving pnp"<<endl;
// 构建相机矩阵
cv::Mat cameraMatrix( 3, 3, CV_64F, camera_matrix_data );
cv::Mat rvec, tvec, inliers;
// 求解pnp
cv::solvePnPRansac( pts_obj, pts_img, cameraMatrix, cv::Mat(), rvec, tvec, false, 100, 1.0, 100, inliers );
RESULT_OF_PNP result;
result.rvec = rvec;
result.tvec = tvec;
result.inliers = inliers.rows;
return result;
}
此外,我们还实现了一个简单的参数读取类。这个类读取一个参数的文本文件,能够以关键字的形式提供文本文件中的变量:
include/slamBase.h
// 参数读取类class ParameterReader{public: ParameterReader( string filename="./parameters.txt" ) { ifstream fin( filename.c_str() ); if (!fin) { cerr<<"parameter file does not exist."<<endl; return; } while(!fin.eof()) { string str; getline( fin, str ); if (str[0] == '#') { // 以‘#’开头的是注释 continue; } int pos = str.find("="); if (pos == -1) continue; string key = str.substr( 0, pos ); string value = str.substr( pos+1, str.length() ); data[key] = value; if ( !fin.good() ) break; } } string getData( string key ) { map<string, string>::iterator iter = data.find(key); if (iter == data.end()) { cerr<<"Parameter name "<<key<<" not found!"<<endl; return string("NOT_FOUND"); } return iter->second; }public: map<string, string> data;};它读的参数文件是长这个样子的:
# 这是一个参数文件# 去你妹的yaml! 我再也不用yaml了!简简单单多好!# part 4 里定义的参数detector=SIFTdescriptor=SIFTgood_match_threshold=4# cameracamera.cx=325.5;camera.cy=253.5;camera.fx=518.0;camera.fy=519.0;camera.scale=1000.0;
嗯,参数文件里,以“变量名=值”的形式定义变量。以井号开头的是注释啦!是不是很简单呢?
小萝卜:师兄你为何对yaml有一股强烈的怨念?
师兄:哎,不说了……总之实现简单的功能,就用简单的东西,特别是从教程上来说更应该如此啦。
现在,如果我们想更改特征类型,就只需在parameters.txt文件里进行修改,不必编译源代码了。这对接下去的各种调试都会很有帮助。
拼接点云
由于变换矩阵结合了旋转和缩放,是一种较为经济实用的表达方式。它在机器人和许多三维空间相关的科学中都有广泛的应用。PCL里提供了点云的变换函数,只要给定了变换矩阵,就能对移动整个点云:
pcl::transformPointCloud( input, output, T );
小萝卜:所以我们现在就是要把OpenCV里的旋转向量、位移向量转换成这个矩阵喽?
师兄:对!OpenCV认为旋转矩阵
小萝卜:但是我们又把它变成了矩阵啊,这不就没有意义了吗!
师兄:呃,这个,确实如此。不管如何,我们先用罗德里格斯变换(Rodrigues)将旋转向量转换为矩阵,然后“组装”成变换矩阵。代码如下:
src/joinPointCloud.cpp
/************************************************************************* > File Name: src/jointPointCloud.cpp > Author: Xiang gao > Mail: gaoxiang12@mails.tsinghua.edu.cn > Created Time: 2015年07月22日 星期三 20时46分08秒 ************************************************************************/#include<iostream>using namespace std;#include "slamBase.h"#include <opencv2/core/eigen.hpp>#include <pcl/common/transforms.h>#include <pcl/visualization/cloud_viewer.h>// Eigen !#include <Eigen/Core>#include <Eigen/Geometry>int main( int argc, char** argv ){ //本节要拼合data中的两对图像 ParameterReader pd; // 声明两个帧,FRAME结构请见include/slamBase.h FRAME frame1, frame2; //读取图像 frame1.rgb = cv::imread( "./data/rgb1.png" ); frame1.depth = cv::imread( "./data/depth1.png", -1); frame2.rgb = cv::imread( "./data/rgb2.png" ); frame2.depth = cv::imread( "./data/depth2.png", -1 ); // 提取特征并计算描述子 cout<<"extracting features"<<endl; string detecter = pd.getData( "detector" ); string descriptor = pd.getData( "descriptor" ); computeKeyPointsAndDesp( frame1, detecter, descriptor ); computeKeyPointsAndDesp( frame2, detecter, descriptor ); // 相机内参 CAMERA_INTRINSIC_PARAMETERS camera; camera.fx = atof( pd.getData( "camera.fx" ).c_str()); camera.fy = atof( pd.getData( "camera.fy" ).c_str()); camera.cx = atof( pd.getData( "camera.cx" ).c_str()); camera.cy = atof( pd.getData( "camera.cy" ).c_str()); camera.scale = atof( pd.getData( "camera.scale" ).c_str() ); cout<<"solving pnp"<<endl; // 求解pnp RESULT_OF_PNP result = estimateMotion( frame1, frame2, camera ); cout<<result.rvec<<endl<<result.tvec<<endl; // 处理result // 将旋转向量转化为旋转矩阵 cv::Mat R; cv::Rodrigues( result.rvec, R ); Eigen::Matrix3d r; cv::cv2eigen(R, r); // 将平移向量和旋转矩阵转换成变换矩阵 Eigen::Isometry3d T = Eigen::Isometry3d::Identity(); Eigen::AngleAxisd angle(r); cout<<"translation"<<endl; Eigen::Translation<double,3> trans(result.tvec.at<double>(0,0), result.tvec.at<double>(0,1), result.tvec.at<double>(0,2)); T = angle; T(0,3) = result.tvec.at<double>(0,0); T(1,3) = result.tvec.at<double>(0,1); T(2,3) = result.tvec.at<double>(0,2); // 转换点云 cout<<"converting image to clouds"<<endl; PointCloud::Ptr cloud1 = image2PointCloud( frame1.rgb, frame1.depth, camera ); PointCloud::Ptr cloud2 = image2PointCloud( frame2.rgb, frame2.depth, camera ); // 合并点云 cout<<"combining clouds"<<endl; PointCloud::Ptr output (new PointCloud()); pcl::transformPointCloud( *cloud1, *output, T.matrix() ); *output += *cloud2; pcl::io::savePCDFile("data/result.pcd", *output); cout<<"Final result saved."<<endl; pcl::visualization::CloudViewer viewer( "viewer" ); viewer.showCloud( output ); while( !viewer.wasStopped() ) { } return 0;}
重点在于59至73行,讲述了这个转换的过程。
变换完毕后,我们就得到了拼合的点云啦:
怎么样?是不是有点成就感了呢?
接下来的事……
至此,我们已经实现了一个只有两帧的SLAM程序。然而,也许你还不知道,这已经是一个视觉里程计(Visual Odometry)啦!只要不断地把进来的数据与上一帧对比,就可以得到完整的运动轨迹以及地图了呢!
小萝卜:这听着已经像是SLAM了呀!
师兄:嗯,要做完整的SLAM,还需要一些东西。以两两匹配为基础的里程计有明显的累积误差,我们需要通过回环检测来消除它。这也是我们后面几讲的主要内容啦!
小萝卜:那下一讲我们要做点什么呢?
师兄:我们先讲讲关键帧的处理,因为把每个图像都放进地图,会导致地图规模增长地太快,所以需要关键帧技术。然后呢,我们要做一个SLAM后端,就要用到g2o啦!
课后作业
由于参数文件可以很方便地调节,请你试试不同的特征点类型,看看哪种类型比较符合你的心意。为此,最好在源代码中加入显示匹配图的代码哦!
- 一起做RGB-D SLAM (4)
- 一起做RGB-D SLAM (4)
- 一起做RGB-D SLAM (4)
- 一起做RGB-D SLAM(4)
- 一起做RGB-D SLAM (4) 点云拼接
- 【转】一起做RGB-D SLAM (1)
- 一起做RGB-D SLAM (1)
- 一起做RGB-D SLAM (2)
- 一起做RGB-D SLAM (3)
- 一起做RGB-D SLAM (5)
- 一起做RGB-D SLAM (6)
- 一起做RGB-D SLAM (3)
- 一起做RGB-D SLAM (1)
- 一起做RGB-D SLAM (1)
- 一起做RGB-D SLAM (2)
- 一起做RGB-D SLAM (3)
- 一起做RGB-D SLAM (5)
- 一起做RGB-D SLAM (6)
- Niushop统一支付接口设计思路
- JAVA和微服务
- 表单中的button标签会自动提交表单问题
- html5与jsp页面同样的html代码展示的页面效果不一样的问题
- 使用selenium录制的loadrunner自带飞机购票小系统
- 一起做RGB-D SLAM (4)
- iOS内存泄漏问题
- Spring Boot系列之九 配置和Profiles(二)
- git 合并两个远程库
- 计算机视觉领域的一些牛人博客
- 临界区和互斥器的区别
- Eddy的难题
- 关于Session(javax.servlet.HttpSession)持久化----为什么实体类需要实现序列化接口
- 随记6——Android透明度值