视觉slam十四讲第七章课后习题6

Posted 一块灰色的石头

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了视觉slam十四讲第七章课后习题6相关的知识,希望对你有一定的参考价值。

版权声明:本文为博主原创文章,转载请注明出处: http://www.cnblogs.com/newneul/p/8545450.html

6、在PnP优化中,将第一个相机的观测也考虑进来,程序应如何书写?最后结果会有何变化?
分析:实际上在PnP例子中,我们可以把第一帧作为世界坐标系,然后在优化过程中对于第一帧的RT我们不做优化,但是我们在添加节点时仍然要将第一帧在世界坐标系下的空间点加入到图中,并且与第一帧的位姿链接起来,然后将第一帧坐标系下的空间点与第二帧的位姿连接起来。
下面是我们修改的部分(节点和边的添加过程):

 1 //向优化器中添加节点和边
 2   //添加节点 Vertex
 3     //(1)添加位姿节点 第一帧作为世界坐标系(不优化) 同时也是相机坐标系
 4     int poseVertexIndex = 0;                                       //位姿节点索引为0  总共两个位姿态节点 第一帧和第二帧
 5     Eigen::Matrix3d R2Init;
 6     R2Init <<
 7           R.at<double> ( 0,0 ), R.at<double> ( 0,1 ), R.at<double> ( 0,2 ) ,
 8           R.at<double> ( 1,0 ), R.at<double> ( 1,1 ), R.at<double> ( 1,2 ) ,
 9           R.at<double> ( 2,0 ), R.at<double> ( 2,1 ), R.at<double> ( 2,2 ) ;
10     for( ; poseVertexIndex < PoseVertexNum ; poseVertexIndex++ ){
11         auto pose = new g2o::VertexSE3Expmap();  //相机位姿
12         pose->setId( poseVertexIndex );                            //设置节点标号
13         pose->setFixed( poseVertexIndex == 0 );                    //如果是第一帧 则固定住 不优化
14         if( poseVertexIndex == 1 )                                 //第二帧时让RT估计值为pnp得到的值 加快优化速度!
15             pose->setEstimate(
16                     g2o::SE3Quat( R2Init,
17                                   Eigen::Vector3d( t.at<double> ( 0,0 ), t.at<double> ( 1,0 ), t.at<double> ( 2,0 ) )
18                                 )
19                              );                                    //两帧图像的位姿预设值都为 r=单位矩阵 t=0(当然这里可以填写自己设定的预设值 比如Pnp估计值)
20         else
21             pose->setEstimate( g2o::SE3Quat() );
22         optimizer.addVertex( pose );                               //位姿节点加入优化器
23     }
24     //(2)添加路标节点
25     int landmarkVertexIndex = PoseVertexNum ;
26     for( int i = 0;  i < points1_3d.size() ; i ++ ){
27         auto point = new g2o::VertexSBAPointXYZ();                 //路标点
28         point->setId( landmarkVertexIndex + i );                   //设置路标点节点标号
29         point->setMarginalized( true );                            //设置边缘化
30         point->setEstimate( Eigen::Vector3d( points1_3d[i].x, points1_3d[i].y, points1_3d[i].z ) ); //设置估计值 实际上就是第一帧坐标下的3d点坐标(也是世界坐标系下的坐标)
31         optimizer.addVertex( point );                              //路标节点加入优化器
32     }
33     //加入相机参数(当然有另一种方式:查看笔记两种边的不同点)(最后一项为0 默认fx = fy 然后优化位姿 与g2o::EdegeSE3ProjectXYZ不同 笔记以记载 )
34     g2o::CameraParameters *camera = new g2o::CameraParameters(
35       K.at< double >(0,0), Eigen::Vector2d( K.at< double >(0,2), K.at< double >(1,2) ),0
36     );
37     camera->setId( 0 );
38     optimizer.addParameter( camera );
39 
40  //加入边edge
41     //世界坐标下路标点连接到第一帧位姿节点(因为以第一帧坐标系当做世界坐标系 所以我们前面没有优化第一帧的RT  仅仅优化第一帧到第二帧的RT)
42     for(int i= 0 ;i < points1_2d.size() ; i++ ){
43         auto edge = new g2o::EdgeProjectXYZ2UV();               //设置连接到第一帧的边
44         //二元边 连接节点
45         edge->setVertex( 0, dynamic_cast< g2o::VertexSBAPointXYZ * >( optimizer.vertex( landmarkVertexIndex + i ) ) ); //世界坐标系下的路标节点
46         edge->setVertex( 1, dynamic_cast< g2o::VertexSE3Expmap * >( optimizer.vertex(0) ) );
47         edge->setMeasurement( Eigen::Vector2d ( points1_2d[i].x, points1_2d[i].y ) );   //设置测量值为第一帧下的相机归一化平面坐标
48         edge->setParameterId(0,0); //最后一位设置使用的相机参数(因为上面仅仅输入了一个相机参数id=0, 对应上面camer->setId(0),第一个参数0不知道是什么,但是必须为0)
49         edge->setInformation ( Eigen::Matrix2d::Identity() );   //信息矩阵2x2的单位阵
50         optimizer.addEdge( edge );
51     }
52     //第一帧路标点链接到第二帧位姿节点
53     for( int i=0 ;i < points1_2d.size() ; i++){
54         auto edge = new g2o::EdgeProjectXYZ2UV();   //设置链接到第二帧的边
55         edge->setVertex( 0, dynamic_cast< g2o::VertexSBAPointXYZ * >( optimizer.vertex( landmarkVertexIndex + i) ) ); //第一帧坐标系下的路标点
56         edge->setVertex( 1, dynamic_cast< g2o::VertexSE3Expmap *> ( optimizer.vertex(1) ) ); //连接到第二个位姿节点
57         edge->setMeasurement( Eigen::Vector2d ( points2_2d[i].x, points2_2d[i].y ) );        //设置测量值为第二帧下的相机归一化平面坐标
58         edge->setInformation( Eigen::Matrix2d::Identity() ); //信息矩阵为2x2 实际上就是误差的加权为1:1的
59         edge->setParameterId(0,0);
60         optimizer.addEdge( edge );
61     }

需要注意的是代码本身集成了PnP 3d_2d那节例子和课后习题6题,可以自己通过下面的选择决定是否运行

#define  MyselfBAFunc  1        //1 课后习题6需要的BA优化函数(运行课后习题6对应的程序)
                                //0 例程用的(PNP3d_2d对应的程序)

完整代码如下:

  1 #include <iostream>
  2 #include <opencv2/core/core.hpp>
  3 #include <opencv2/features2d/features2d.hpp>
  4 #include <opencv2/highgui/highgui.hpp>
  5 #include <opencv2/calib3d/calib3d.hpp>
  6 #include <Eigen/Core>
  7 #include <Eigen/Geometry>
  8 #include <g2o/core/base_vertex.h>
  9 #include <g2o/core/base_unary_edge.h>
 10 #include <g2o/core/block_solver.h>
 11 #include <g2o/core/optimization_algorithm_levenberg.h>
 12 #include <g2o/solvers/csparse/linear_solver_csparse.h>
 13 #include <g2o/types/sba/types_six_dof_expmap.h>
 14 #include <chrono>
 15 using namespace std;
 16 using namespace cv;
 17 #define  MyselfBAFunc  1        //1 课后习题6需要的BA优化函数
 18                                 //0 例程用的
 19 void find_feature_matches (
 20     const Mat& img_1, const Mat& img_2,
 21     std::vector<KeyPoint>& keypoints_1,
 22     std::vector<KeyPoint>& keypoints_2,
 23     std::vector< DMatch >& matches );
 24 
 25 // 像素坐标转相机归一化坐标
 26 Point2d pixel2cam ( const Point2d& p, const Mat& K );
 27 #if MyselfBAFunc
 28 void MyselfBAFun(
 29         const vector< cv::Point3f> &points1_3d,  //第一帧3d点(匹配好且有深度信息的点)
 30         const vector< cv::Point2f> &points1_2d,  //第一帧像素平面2d点(匹配好的点)
 31         const vector< cv::Point2f> &points2_2d,  //第二帧像素平面2d点(匹配好的点)
 32         const Mat&K,                             //因为里面没有修改相应的值所以用const
 33         const Mat&R,
 34         const Mat&t
 35 );
 36 #else
 37 void bundleAdjustment (
 38     const vector<Point3f> &points_3d,
 39     const vector<Point2f> &points_2d,
 40     const Mat& K,
 41     Mat& R, Mat& t
 42 );
 43 #endif
 44 int main ( int argc, char** argv )
 45 {
 46     if ( argc != 5 )
 47     {
 48         cout<<"usage: pose_estimation_3d2d img1 img2 depth1 depth2"<<endl;
 49         return 1;
 50     }
 51     //-- 读取图像
 52     Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );
 53     Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );
 54 
 55     vector<KeyPoint> keypoints_1, keypoints_2;
 56     vector<DMatch> matches;
 57     find_feature_matches ( img_1, img_2, keypoints_1, keypoints_2, matches );
 58     cout<<"一共找到了"<<matches.size() <<"组匹配点"<<endl;
 59 
 60     // 建立3D点
 61     Mat d1 = imread ( argv[3], CV_LOAD_IMAGE_UNCHANGED );// 深度图为16位无符号数,单通道图像 CV_LOAD_IMAGE_UNCHANGED表示读取原始图像
 62     Mat K = ( Mat_<double> ( 3,3 ) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1 );
 63     vector<Point3f> pts_3d;
 64     vector<Point2f> pts_2d;
 65 #if MyselfBAFunc
 66     vector<Point2f> pts1_2d;                                  //第一帧下的像素坐标
 67 #endif
 68     for ( DMatch m:matches )
 69     {
 70         //可以参考书上101页对应的程序,表示获取对应位置的深度图片的深度值
 71         ushort d = d1.ptr<unsigned short> (int ( keypoints_1[m.queryIdx].pt.y )) [ int ( keypoints_1[m.queryIdx].pt.x ) ];
 72         if ( d == 0 )   // bad depth
 73             continue;
 74         float dd = d/5000.0;
 75         Point2d p1 = pixel2cam ( keypoints_1[m.queryIdx].pt, K );
 76         pts_3d.push_back ( Point3f ( p1.x*dd, p1.y*dd, dd ) );//表示的是 相机坐标系下的3D坐标 //这里是通过RGBD获取的深度信息,但是我们可以用三角测量获得第一帧下的3D坐标
 77         pts_2d.push_back ( keypoints_2[m.trainIdx].pt );      //第二帧 匹配好的点 2D像素坐标
 78 #if MyselfBAFunc
 79         pts1_2d.push_back( keypoints_1[m.queryIdx].pt );      //第一帧 匹配好的点 2D像素坐标
 80 #endif
 81     }
 82     //上面已经获得了第一帧坐标系的下的3d坐标 相当于世界坐标系下的坐标 (因为仅仅有两针图像帧 所以 以第一帧为世界坐标,也就是说 世界坐标到第一帧图像的R=I T=0 )
 83     cout<<"3d-2d pairs: "<<pts_3d.size() <<endl;
 84     Mat r, t; //定义旋转和平移变量
 85     //参数信息: 第一帧3D 第二帧像素2D 内参矩阵k 无失真补偿  旋转向量r 平移向量t false表示输入的r t不作为初始化值 如果是true则此时会把t r作为初始值进行迭代
 86     solvePnP ( pts_3d, pts_2d, K, Mat(), r, t, false,SOLVEPNP_EPNP ); // 调用OpenCV 的 PnP 求解,可选择EPNP,DLS等方法SOLVEPNP_EPNP
 87     Mat R;
 88     cv::Rodrigues ( r, R );                                 // r为旋转向量形式,用Rodrigues公式转换为矩阵
 89 
 90     cout<<"R="<<endl<<R<<endl;
 91     cout<<"t="<<endl<<t<<endl;
 92     cout<<"calling bundle adjustment"<<endl;
 93 #if MyselfBAFunc
 94     MyselfBAFun( pts_3d, pts1_2d, pts_2d, K, R, t);
 95 #else
 96     bundleAdjustment ( pts_3d, pts_2d, K, R, t );
 97 #endif
 98 
 99 }
100 
101 void find_feature_matches ( const Mat& img_1, const Mat& img_2,
102                             std::vector<KeyPoint>& keypoints_1,
103                             std::vector<KeyPoint>& keypoints_2,
104                             std::vector< DMatch >& matches )
105 {
106     //-- 初始化
107     Mat descriptors_1, descriptors_2;
108     // used in OpenCV3
109     Ptr<FeatureDetector> detector = ORB::create();
110     Ptr<DescriptorExtractor> descriptor = ORB::create();
111     // use this if you are in OpenCV2
112     // Ptr<FeatureDetector> detector = FeatureDetector::create ( "ORB" );
113     // Ptr<DescriptorExtractor> descriptor = DescriptorExtractor::create ( "ORB" );
114     Ptr<DescriptorMatcher> matcher  = DescriptorMatcher::create ( "BruteForce-Hamming" );
115     //-- 第一步:检测 Oriented FAST 角点位置
116     detector->detect ( img_1,keypoints_1 );
117     detector->detect ( img_2,keypoints_2 );
118 
119     //-- 第二步:根据角点位置计算 BRIEF 描述子
120     descriptor->compute ( img_1, keypoints_1, descriptors_1 );
121     descriptor->compute ( img_2, keypoints_2, descriptors_2 );
122 
123     //-- 第三步:对两幅图像中的BRIEF描述子进行匹配,使用 Hamming 距离
124     vector<DMatch> match;
125     // BFMatcher matcher ( NORM_HAMMING );
126     matcher->match ( descriptors_1, descriptors_2, match );
127 
128     //-- 第四步:匹配点对筛选
129     double min_dist=10000, max_dist=0;
130 
131     //找出所有匹配之间的最小距离和最大距离, 即是最相似的和最不相似的两组点之间的距离
132     for ( int i = 0; i < descriptors_1.rows; i++ )
133     {
134         double dist = match[i].distance;
135         if ( dist < min_dist ) min_dist = dist;
136         if ( dist > max_dist ) max_dist = dist;
137     }
138 
139     printf ( "-- Max dist : %f \\n", max_dist );
140     printf ( "-- Min dist : %f \\n", min_dist );
141 
142     //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.
143     for ( int i = 0; i < descriptors_1.rows; i++ )
144     {
145         if ( match[i].distance <= max ( 2*min_dist, 30.0 ) )
146         {
147             matches.push_back ( match[i] );
148         }
149     }
150 }
151 
152 Point2d pixel2cam ( const Point2d& p, const Mat& K )
153 {
154     return Point2d
155            (
156                ( p.x - K.at<double> ( 0,2 ) ) / K.at<double> ( 0,0 ),
157                ( p.y - K.at<double> ( 1,2 ) ) / K.at<double> ( 1,1 )
158            );
159 }
160 
161 #if MyselfBAFunc
162 void MyselfBAFun(
163         const vector< cv::Point3f> &points1_3d,  //第一帧3d点(匹配好且有深度信息的点)
164         const vector< cv::Point2f> &points1_2d,  //第一帧像素平面2d点(匹配好的点)
165         const vector< cv::Point2f> &points2_2d,  //第二帧像素平面2d点(匹配好的点)
166         const Mat&K,                             //因为里面没有修改相应的值所以用const
167         const Mat&R,
168         const Mat&t
169 ){
170 #define PoseVertexNum 2                          //定义位姿节点个数 本试验仅仅有2帧图
171 
172 //设置优化器
173     typedef g2o::BlockSolver< g2o::BlockSolverTraits<6,3> > Block;  //优化位姿6维  优化路标点3维
174     std::unique_ptr<Block::LinearSolverType> linearSolver=g2o::make_unique < g2o::LinearSolverCSparse<Block::PoseMatrixType> >();//线性求解设为CSparse
175     std::unique_ptr<Block> solver_ptr (new Block(std::move(linearSolver) ) );
176     g2o::OptimizationAlgorithmLevenberg *solver = new g2o::OptimizationAlgorithmLevenberg( std::move(solver_ptr) );
177 
178 /*  Block::LinearSolverType *linearSolver = new g2o::LinearSolverCSparse<Block::PoseMatrixType>();  //设置线性求解器类型
179     Block *solver_ptr = new Block( std::unique_ptr<Block::LinearSolverType>(linearSolver) );  //矩阵块求解器
180     g2o::OptimizationAlgorithmLevenberg *solver = new g2o::OptimizationAlgorithmLevenberg( std::unique_ptr<g2o::Solver>(solver_ptr) ); //LM优化算法
181 */
182     g2o::SparseOptimizer optimizer;     //设置稀疏优化器
183     optimizer.setAlgorithm(solver);     //设置优化算法
184 
185 //向优化器中添加节点和边
186   //添加节点 Vertex
187     //(1)添加位姿节点 第一帧作为世界坐标系(不优化) 同时也是相机坐标系
188     int poseVertexIndex = 0;                                       //位姿节点索引为0  总共两个位姿态节点 第一帧和第二帧
189     Eigen::Matrix3d R2Init;
190     R2Init <<
191           R.at<double> ( 0,0 ), R.at<double> ( 0,1 ), R.at<double> ( 0,2 ) ,
192           R.at<double> ( 1,0 ), R.at<double> ( 1,1 ), R.at<double> ( 1,2 ) ,
193           R.at<double> ( 2,0 ), R.at<double> ( 2,1 ), R.at<double> ( 2,2 ) ;
194     for( ; poseVertexIndex < PoseVertexNum ; poseVertexIndex++ ){
195         auto pose = new g2o::VertexSE3Expmap();  //相机位姿
196         pose->setId( poseVertexIndex );                            //设置节点标号
197         pose->setFixed( poseVertexIndex == 0 );                    //如果是第一帧 则固定住 不优化
198         if( poseVertexIndex == 1 )                                 //第二帧时让RT估计值为pnp得到的值 加快优化速度!
199             pose->setEstimate(
200                     g2o::SE3Quat( R2Init,
201                                   Eigen::Vector3d( t.at<double> ( 0,0 ), t.at<double> ( 1,0 ), t.at<double> ( 2,0 ) )
202                                 )
203                              );                                    //两帧图像的位姿预设值都为 r=单位矩阵 t=0(当然这里可以填写自己设定的预设值 比如Pnp估计值)
204         else
205             pose->setEstimate( g2o::SE3Quat() );
206         optimizer.addVertex( pose );                               //位姿节点加入优化器
207     }
208     //(2)添加路标节点
209     int landmarkVertexIndex = PoseVertexNum ;
210     for( int i = 0;  i < points1_3d.size() ; i ++ ){
211         auto point = new g2o::VertexSBAPointXYZ();                 //路标点
212         point->setId( landmarkVertexIndex + i );                   //设置路标点节点标号
213         point->setMarginalized( true );                            //设置边缘化
214         point->setEstimate( Eigen::Vector3d( points1_3d[i].x, points1_3d[i].y, points1_3d[i].z ) ); //设置估计值 实际上就是第一帧坐标下的3d点坐标(也是世界坐标系下的坐标)
215         optimizer.addVertex( point );                              //路标节点加入优化器
216     }
217     //加入相机参数(当然有另一种方式:查看笔记两种边的不同点)(最后一项为0 默认fx = fy 然后优化位姿 与g2o::EdegeSE3ProjectXYZ不同 笔记以记载 )
218     g2o::CameraParameters *camera = new g2o::CameraParameters(
219       K.at< double >(0,0), Eigen::Vector2d( K.at< double >(0,2), K.at< double >(1,2) ),0
220     );
221     camera->setId( 0 );
222     optimizer.addParameter( camera );
223 
224  //加入边edge
225     //世界坐标下路标点连接到第一帧位姿节点(因为以第一帧坐标系当做世界坐标系 所以我们前面没有优化第一帧的RT  仅仅优化第一帧到第二帧的RT)
226     for(int i= 0 ;i < points1_2d.size() ; i++ ){
227         auto edge = new g2o::EdgeProjectXYZ2UV();               //设置连接到第一帧的边
228         //二元边 连接节点
229         edge->setVertex( 0, dynamic_cast< g2o::VertexSBAPointXYZ * >( optimizer.vertex( landmarkVertexIndex + i ) ) ); //世界坐标系下的路标节点
230         edge->setVertex( 1, dynamic_cast< g2o::VertexSE3Expmap * >( optimizer.vertex(0) ) );
231         edge->setMeasurement( Eigen::Vector2d ( points1_2d[i].x, points1_2d[i].y ) );   //设置测量值为第一帧下的相机归一化平面坐标
232         edge->setParameterId(0,0); //最后一位设置使用的相机参数(因为上面仅仅输入了一个相机参数id=0, 对应上面camer->setId(0),第一个参数0不知道是什么,但是必须为0)
233         edge->setInformation ( Eigen::Matrix2d::Identity() );   //信息矩阵2x2的单位阵
234         optimizer.addEdge( edge );
235     }
236 

以上是关于视觉slam十四讲第七章课后习题6的主要内容,如果未能解决你的问题,请参考以下文章

视觉SLAM十四讲笔记-第一讲

视觉SLAM十四讲笔记 -- 第一讲

视觉SLAM十四讲笔记 -- 第一讲

视觉SLAM十四讲笔记 -- 第一讲

视觉SLAM十四讲笔记 -- 第一讲

视觉slam学习笔记以及课后习题《第四讲相机模型和非线性优化》