十四讲代码注释讲解系列之-第七讲3D-2D代码讲解注释_qq_43525260的博客-程序员信息网

技术标签: slam  c++  SLAM  编译问题解决  

直接上代码,大家对照十四讲的理论讲解以及源码进行理解:(g2o设置顶点和边部分的注释较多)

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/calib3d/calib3d.hpp>
#include <Eigen/Core>
#include <g2o/core/base_vertex.h>
#include <g2o/core/base_unary_edge.h>
#include <g2o/core/sparse_optimizer.h>
#include <g2o/core/block_solver.h>
#include <g2o/core/solver.h>
#include <g2o/core/optimization_algorithm_gauss_newton.h>
#include <g2o/solvers/dense/linear_solver_dense.h>
#include <sophus/se3.hpp>
#include <chrono>

using namespace std;
using namespace cv;

void find_feature_matches(
  const Mat &img_1, const Mat &img_2,
  std::vector<KeyPoint> &keypoints_1,
  std::vector<KeyPoint> &keypoints_2,
  std::vector<DMatch> &matches);

// 像素坐标转相机归一化坐标
Point2d pixel2cam(const Point2d &p, const Mat &K);

// BA by g2o
typedef vector<Eigen::Vector2d, Eigen::aligned_allocator<Eigen::Vector2d>> VecVector2d;
typedef vector<Eigen::Vector3d, Eigen::aligned_allocator<Eigen::Vector3d>> VecVector3d;

void bundleAdjustmentG2O(
  const VecVector3d &points_3d,
  const VecVector2d &points_2d,
  const Mat &K,
  Sophus::SE3d &pose
);

// BA by gauss-newton
void bundleAdjustmentGaussNewton(
  const VecVector3d &points_3d,
  const VecVector2d &points_2d,
  const Mat &K,
  Sophus::SE3d &pose
);

int main(int argc, char **argv) {
    
  if (argc != 5) {
    
    cout << "usage: pose_estimation_3d2d img1 img2 depth1 depth2" << endl;
    return 1;
  }
  //-- 读取图像
  Mat img_1 = imread(argv[1], CV_LOAD_IMAGE_COLOR);
  Mat img_2 = imread(argv[2], CV_LOAD_IMAGE_COLOR);
  assert(img_1.data && img_2.data && "Can not load images!");
cout<<"Sophus::SE3d()李代数"<< Sophus::SE3d().matrix()<<endl;
  vector<KeyPoint> keypoints_1, keypoints_2;
  vector<DMatch> matches;
  find_feature_matches(img_1, img_2, keypoints_1, keypoints_2, matches);
  cout << "一共找到了" << matches.size() << "组匹配点" << endl;

  // 建立3D点
  Mat d1 = imread(argv[3], CV_LOAD_IMAGE_UNCHANGED);       // 深度图为16位无符号数,单通道图像
  Mat K = (Mat_<double>(3, 3) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1);//内参矩阵
  vector<Point3f> pts_3d;//三维点
  vector<Point2f> pts_2d;//二维
  for (DMatch m:matches) {
    
    ushort d = d1.ptr<unsigned short>(int(keypoints_1[m.queryIdx].pt.y))[int(keypoints_1[m.queryIdx].pt.x)];//d1是深度图
    if (d == 0)   // bad depth
      continue;
    float dd = d / 5000.0;//为啥把深度处以5000呢
    Point2d p1 = pixel2cam(keypoints_1[m.queryIdx].pt, K);//由像素坐标转换为归一化平面的坐标即X/Z  Y/Z
    pts_3d.push_back(Point3f(p1.x * dd, p1.y * dd, dd));//恢复出相机坐标系下的空间点位置
    pts_2d.push_back(keypoints_2[m.trainIdx].pt);//是像素点坐标吧
  }

  cout << "3d-2d pairs: " << pts_3d.size() << endl;
  //开始计时
  chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
  Mat r, t;
  solvePnP(pts_3d, pts_2d, K, Mat(), r, t, false); // 调用OpenCV 的 PnP 求解,可选择EPNP,DLS等方法
  Mat R;
  cv::Rodrigues(r, R); // r为旋转向量形式,用Rodrigues公式转换为矩阵
  chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
  chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "solve pnp in opencv cost time: " << time_used.count() << " seconds." << endl;

  cout << "R=" << endl << R << endl;
  cout << "t=" << endl << t << endl;

  VecVector3d pts_3d_eigen;//放置三维向量的vector容器
  VecVector2d pts_2d_eigen;//放置二维向量的vector容器
  for (size_t i = 0; i < pts_3d.size(); ++i) {
    
    pts_3d_eigen.push_back(Eigen::Vector3d(pts_3d[i].x, pts_3d[i].y, pts_3d[i].z));//空间点
    pts_2d_eigen.push_back(Eigen::Vector2d(pts_2d[i].x, pts_2d[i].y));//像素点坐标放进去
  }

  cout << "calling bundle adjustment by gauss newton" << endl;//高斯牛顿构建的BA
  Sophus::SE3d pose_gn;
  t1 = chrono::steady_clock::now();
  bundleAdjustmentGaussNewton(pts_3d_eigen, pts_2d_eigen, K, pose_gn);
  t2 = chrono::steady_clock::now();
  time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "solve pnp by gauss newton cost time: " << time_used.count() << " seconds." << endl;

  cout << "calling bundle adjustment by g2o" << endl;
  Sophus::SE3d pose_g2o;
  t1 = chrono::steady_clock::now();
  bundleAdjustmentG2O(pts_3d_eigen, pts_2d_eigen, K, pose_g2o);
  t2 = chrono::steady_clock::now();
  time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "solve pnp by g2o cost time: " << time_used.count() << " seconds." << endl;
  return 0;
}

void find_feature_matches(const Mat &img_1, const Mat &img_2,
                          std::vector<KeyPoint> &keypoints_1,
                          std::vector<KeyPoint> &keypoints_2,
                          std::vector<DMatch> &matches) {
    
  //-- 初始化
  Mat descriptors_1, descriptors_2;
  // used in OpenCV3
  Ptr<FeatureDetector> detector = ORB::create();
  Ptr<DescriptorExtractor> descriptor = ORB::create();
  // use this if you are in OpenCV2
  // Ptr<FeatureDetector> detector = FeatureDetector::create ( "ORB" );
  // Ptr<DescriptorExtractor> descriptor = DescriptorExtractor::create ( "ORB" );
  Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");
  //-- 第一步:检测 Oriented FAST 角点位置
  detector->detect(img_1, keypoints_1);
  detector->detect(img_2, keypoints_2);

  //-- 第二步:根据角点位置计算 BRIEF 描述子
  descriptor->compute(img_1, keypoints_1, descriptors_1);
  descriptor->compute(img_2, keypoints_2, descriptors_2);

  //-- 第三步:对两幅图像中的BRIEF描述子进行匹配,使用 Hamming 距离
  vector<DMatch> match;
  // BFMatcher matcher ( NORM_HAMMING );
  matcher->match(descriptors_1, descriptors_2, match);

  //-- 第四步:匹配点对筛选
  double min_dist = 10000, max_dist = 0;

  //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
  for (int i = 0; i < descriptors_1.rows; i++) {
    
    double dist = match[i].distance;
    if (dist < min_dist) min_dist = dist;
    if (dist > max_dist) max_dist = dist;
  }

  printf("-- Max dist : %f \n", max_dist);
  printf("-- Min dist : %f \n", min_dist);

  //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.
  for (int i = 0; i < descriptors_1.rows; i++) {
    
    if (match[i].distance <= max(2 * min_dist, 30.0)) {
    
      matches.push_back(match[i]);
    }
  }
}

Point2d pixel2cam(const Point2d &p, const Mat &K) {
    
  return Point2d
    (
      (p.x - K.at<double>(0, 2)) / K.at<double>(0, 0),
      (p.y - K.at<double>(1, 2)) / K.at<double>(1, 1)
    );
}
void bundleAdjustmentGaussNewton(
  const VecVector3d &points_3d,
  const VecVector2d &points_2d,
  const Mat &K,
  Sophus::SE3d &pose) {
    
  typedef Eigen::Matrix<double, 6, 1> Vector6d;
  const int iterations = 10;
  double cost = 0, lastCost = 0;
  double fx = K.at<double>(0, 0);
  double fy = K.at<double>(1, 1);
  double cx = K.at<double>(0, 2);
  double cy = K.at<double>(1, 2);
   //遍历十次
  for (int iter = 0; iter < iterations; iter++) {
    
    Eigen::Matrix<double, 6, 6> H = Eigen::Matrix<double, 6, 6>::Zero();
    Vector6d b = Vector6d::Zero();

    cost = 0;
    // compute cost
    for (int i = 0; i < points_3d.size(); i++) {
    
      Eigen::Vector3d pc = pose * points_3d[i];//T * P
      //cout<<"pc= "<<pc<<endl;
      double inv_z = 1.0 / pc[2];
      double inv_z2 = inv_z * inv_z;
      Eigen::Vector2d proj(fx * pc[0] / pc[2] + cx, fy * pc[1] / pc[2] + cy);//求得是186页的公式7.4

      Eigen::Vector2d e = points_2d[i] - proj;//185页7.36 观测值减去预测值
      //向量的平方范数由squaredNorm()获得,等价于向量对自身做点积,也等同于所有元素的平方和
      cost += e.squaredNorm();//百度上说是计算损失函数
      Eigen::Matrix<double, 2, 6> J;
      J << -fx * inv_z,//187页的公式7.46
        0,
        fx * pc[0] * inv_z2,
        fx * pc[0] * pc[1] * inv_z2,
        -fx - fx * pc[0] * pc[0] * inv_z2,
        fx * pc[1] * inv_z,
        0,
        -fy * inv_z,
        fy * pc[1] * inv_z,
        fy + fy * pc[1] * pc[1] * inv_z2,
        -fy * pc[0] * pc[1] * inv_z2,
        -fy * pc[0] * inv_z;

      H += J.transpose() * J;//利用非线性优化部分129页6.32公式
      b += -J.transpose() * e;//此时的e就是公式中的f(x)
    }

    Vector6d dx;
    dx = H.ldlt().solve(b);//求解detla x

    if (isnan(dx[0])) {
    
      cout << "result is nan!" << endl;
      break;
    }
   //这段代码的目地何在我不清楚
    if (iter > 0 && cost >= lastCost) {
    
      // cost increase, update is not good
      cout << "cost: " << cost << ", last cost: " << lastCost << endl;
      break;
    }

    // update your estimation
    pose = Sophus::SE3d::exp(dx) * pose;//对pose左乘扰动或者说左乘更新量
    lastCost = cost;

    cout << "iteration " << iter << " cost=" << cout.precision(12) << cost << endl;
    if (dx.norm() < 1e-6)//这是迭代的终止条件吧  Eigen也提供了norm()范数,返回的是squaredNorm()的根
    {
    
      // converge
      break;
    }
  }
    //cout << "cost: " << cost << ", last cost: " << lastCost << endl;
  cout << "pose by g-n: \n" << pose.matrix() << endl;
}

/// vertex and edges used in g2o ba
class VertexPose : public g2o::BaseVertex<6, Sophus::SE3d> {
    
public:
  EIGEN_MAKE_ALIGNED_OPERATOR_NEW;

  virtual void setToOriginImpl() override {
    
    _estimate = Sophus::SE3d();//内部已经初始化的Sophus::SE3d()的值1 0 0 0
      //0 1 0 0
      //0 0 1 0
      //0 0 0 1
  }

  /// left multiplication on SE3
  virtual void oplusImpl(const double *update) override {
    
    Eigen::Matrix<double, 6, 1> update_eigen;//应该是扰动量,应该就是求出来的detla x
    update_eigen << update[0], update[1], update[2], update[3], update[4], update[5];
    //顶点的更新,Sophus::SE3d::exp(update_eigen)主要将位姿增量的李代数转换到李群。(注意:位姿的更新是左乘位姿变化量)
    / To be more specific, this function computes ``expmat(hat(a))`` with,点进去,源码计算了反对称矩阵
    _estimate = Sophus::SE3d::exp(update_eigen) * _estimate;//exp(update_eigen)括号里面实际上是反对称矩阵,只不过源码底层帮咱们实现了
  }

  virtual bool read(istream &in) override {
    }

  virtual bool write(ostream &out) const override {
    }
};
//g2o::BaseUnaryEdge<2, Eigen::Vector2d 优化的点是两维的所以是2
 顶点只有相机位姿,边是观测误差,一元边,观测误差应该是像素
class EdgeProjection : public g2o::BaseUnaryEdge<2, Eigen::Vector2d, VertexPose> {
    
public:
    //Eigen库为了使用SSE加速,所以内存分配上使用了128位的指针,但实际分配的可能时64位或32位。
  EIGEN_MAKE_ALIGNED_OPERATOR_NEW;//与内存对齐有关系

  EdgeProjection(const Eigen::Vector3d &pos, const Eigen::Matrix3d &K) : _pos3d(pos), _K(K) {
    }

  virtual void computeError() override {
    
    const VertexPose *v = static_cast<VertexPose *> (_vertices[0]);//在下面用到的时候也是零
    Sophus::SE3d T = v->estimate();
    Eigen::Vector3d pos_pixel = _K * (T * _pos3d);//坐标变换求解像素坐标
    pos_pixel /= pos_pixel[2];//归一化
    _error = _measurement - pos_pixel.head<2>();//head<2>()表示提取这个向量的前两维元素,优化的瓦是u v
  }
  //这个函数就是用来计算雅克比矩阵的
  virtual void linearizeOplus() override {
    
    const VertexPose *v = static_cast<VertexPose *> (_vertices[0]);
    Sophus::SE3d T = v->estimate();//estimate()会返回_estimate
    Eigen::Vector3d pos_cam = T * _pos3d;//变换到相机坐标系下的空间点坐标
    double fx = _K(0, 0);
    double fy = _K(1, 1);
    double cx = _K(0, 2);
    double cy = _K(1, 2);
    double X = pos_cam[0];
    double Y = pos_cam[1];
    double Z = pos_cam[2];
    double Z2 = Z * Z;
    //J的计算根据187页 7.46计算的
    _jacobianOplusXi
      << -fx / Z, 0, fx * X / Z2, fx * X * Y / Z2, -fx - fx * X * X / Z2, fx * Y / Z,
      0, -fy / Z, fy * Y / (Z * Z), fy + fy * Y * Y / Z2, -fy * X * Y / Z2, -fy * X / Z;
  }

  virtual bool read(istream &in) override {
    }

  virtual bool write(ostream &out) const override {
    }

private:
  Eigen::Vector3d _pos3d;
  Eigen::Matrix3d _K;
};

void bundleAdjustmentG2O(
  const VecVector3d &points_3d,
  const VecVector2d &points_2d,
  const Mat &K,
  Sophus::SE3d &pose) {
    

  // 构建图优化,先设定g2o
  typedef g2o::BlockSolver<g2o::BlockSolverTraits<6, 3>> BlockSolverType;  // pose is 6, landmark is 3
  typedef g2o::LinearSolverDense<BlockSolverType::PoseMatrixType> LinearSolverType; // 线性求解器类型
  // 梯度下降方法,可以从GN, LM, DogLeg 中选
  auto solver = new g2o::OptimizationAlgorithmGaussNewton(
    g2o::make_unique<BlockSolverType>(g2o::make_unique<LinearSolverType>()));
  g2o::SparseOptimizer optimizer;     // 图模型
  optimizer.setAlgorithm(solver);   // 设置求解器,用的是高斯牛顿
  optimizer.setVerbose(true);       // 打开调试输出,就是那些红色的输出 使用cerr输出的所以是红色的

  // vertex
  VertexPose *vertex_pose = new VertexPose(); // camera vertex_pose
  vertex_pose->setId(0);
  vertex_pose->setEstimate(Sophus::SE3d());
  optimizer.addVertex(vertex_pose);

  // K
  Eigen::Matrix3d K_eigen;
  K_eigen <<
          K.at<double>(0, 0), K.at<double>(0, 1), K.at<double>(0, 2),
    K.at<double>(1, 0), K.at<double>(1, 1), K.at<double>(1, 2),
    K.at<double>(2, 0), K.at<double>(2, 1), K.at<double>(2, 2);

  // edges
  int index = 1;
  for (size_t i = 0; i < points_2d.size(); ++i) {
    
    auto p2d = points_2d[i];
    auto p3d = points_3d[i];
    EdgeProjection *edge = new EdgeProjection(p3d, K_eigen);
    //从1开始?
    // 设置边连接的顶点,序号从0开始,一元边连接一个顶点,故只设置序号为0的顶点  所以353行是零
    edge->setId(index);
    edge->setVertex(0, vertex_pose);//289行设置的就是零
    edge->setMeasurement(p2d);//_measurement:存储观测值
    edge->setInformation(Eigen::Matrix2d::Identity());//信息矩阵,这个不太明白
    optimizer.addEdge(edge);
    index++;
  }

  chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
  optimizer.setVerbose(true);//optimizer终极大bose
  optimizer.initializeOptimization();
  optimizer.optimize(10);
  chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
  chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "optimization costs time: " << time_used.count() << " seconds." << endl;
  cout << "pose estimated by g2o =\n" << vertex_pose->estimate().matrix() << endl;
  pose = vertex_pose->estimate();//最终估计的位姿
}

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/qq_43525260/article/details/104141744

智能推荐

vsftpd限制用户只能上传不能下载_weixin_30551947的博客-程序员信息网

有时候,项目中有这样的需求;vsftpd只能上传文件不能下载。下面我们就来分享一下个人的经验:例子1:vsftpd本地用户实现可以上传不能下载(即不能读)1、创建用于登陆vsftpd的用户、并赋予其密码:useradd test2、创建vsftpd的共享目录,将其的属主和属组都修改为szl;权限为777 (这里是测试环境):mkdir /mnt/test...

Jenkins持续集成CICD的环境搭建和maven项目的构建_${简简单单}的博客-程序员信息网

一、Jenkins搭建1、下载安装包,官方地址Windows版本:下载安装完,默认会把Jenkins注册成Windows服务,再自动以8080端口启动服务,如果本机8080端口被占用,可以在/jenkins.xml中修改端口号,再运行命令:net start jenkinsJenkins 服务正在启动 .Jenkins 服务已经启动成功。Linux系统版本:通过RPM安装:wget https://pkg.jenkins.io/redhat-stable/jenkins-2.176.1-

SpringBoot中使用@ConfigurationProperties进行配置绑定_richest_qi的博客-程序员信息网[email protected] 修改值

文章目录使用Java读取.properties文件的内容并封装成JavaBean使用SpringBoot的@ConfigurationProperties进行配置绑定@[email protected](prefix = "mycar")使用Java读取.properties文件的内容并封装成JavaBean新建Maven项目:demo1。修改pom.xml,添加依赖。&lt;?xml version="1.0" encoding="U

使用Android Studio开发时遇到的问题及解答(持续更新中~~)_xiongzuobin的博客-程序员信息网

最近由于项目需要用Android Studio开发,急忙从Eclipse转到AS,遇见不少问题。之前总听说AS是个好工具,一直没有机会使用,突然上手烦恼诸多,下面将遇到的问题写出来希望能帮到大家1.在安装玩AS后不要勾选立即打开的选框,找到AS安装目录bin目录下的idea.properties中把最后一行改为disable.android.first.run=true可以关闭初次启动时自动更

Java并发编程之ThreadLocal详解_Eneml的博客-程序员信息网

@Java并发编程之ThreadLocal详解##ThreadLocal简介变量值的共享可以使用public static的形式,所有线程都使用同一个变量,如果想实现每一个线程都有自己的共享变量该如何实现呢?JDK中的ThreadLocal类正是为了解决这样的问题。ThreadLocal类并不是用来解决多线程环境下的共享变量问题,而是用来提供线程内部的共享变量,在多线程环境下,可以保证各个线程之间的变量互相隔离、相互独立。在线程中,可以通过get()/set()方法来访问变量。ThreadLocal实

随便推点

蚂蚁上市后,马云不是最大赢家,竟是她!_CSDN 程序人生的博客-程序员信息网

作者:电商君来源:电商报(ID:kandianshang)中国电商影响力媒体!马云造就人类历史上最大的造富运动!蚂蚁集团要上市了,人类历史上最大的造富运动,就要来了!作为中国互联网独角兽...

2440超详细uboot移植笔记(四)------剪裁uboot_风筝丶的博客-程序员信息网

你好!这里是风筝的博客,欢迎和我一起交流。在make编译之后,我们可以发现生成的.bin二进制文件很大,有五百多k,不利于我们烧写,所以我们可以先对uboot剪裁一下,把不需要的功能去除掉:  a. 在smdk2440.h(路径:include\configs\smdk2440.h)文件上把不需要的uboot功能的宏开关注释掉:#define CONFIG_USB_OHCI...

C/C++笔试题(9)_hanlin1985的博客-程序员信息网

 Intel笔试面试题目  智力题1.每天中午从法国塞纳河畔的勒阿佛有一艘轮船驶往美国纽约,在同一时刻纽约也有一艘轮船驶往勒阿佛。已知横渡一次的时间是7天7夜,轮船匀速航行,在同一航线,轮船近距离可见。  请问今天中午从勒阿佛开出的船会遇到几艘从纽约来的船?  2.巴拿赫病故于1945年8月31日。他的出生年份恰好是他在世时某年年龄的平方,问:他是哪年出生的?  答案:   设他在

ctf ddos数据包 杂项 流量_bonesi :在实验环境下模拟DDoS攻击流量的工具_南至挚爱的博客-程序员信息网

BoNeSi,DDoS僵尸网络模拟器是一种测试平台环境中模拟僵尸网络流量的工具。它旨在研究DDoS攻击的影响。 可以生成什么流量?BoNeSi从定义的僵尸网络大小(不同的IP地址)生成ICMP,UDP和TCP(HTTP)泛洪攻击。 BoNeSi 具有高度可配置性,可以配置速率,数据量,源IP地址,URL和其他参数。是什么让它与其他 工具 不同?还有很多其他工具可以使用UDP和ICMP来欺骗IP地址...

[15] 星星(Star)图形的生成算法_weixin_30719711的博客-程序员信息网

顶点数据的生成 1 bool YfBuildStarVertices 2 ( 3 Yreal radius, 4 Yreal assistRadius, 5 Yreal height, ...

QObject多继承static_meta_object的编译问题_Armitang的博客-程序员信息网

问题描述继承一个类,再继承自QObject并添加Q_OBJECT的宏之后,编译不过。class A{public: A(){}; ~A(){};private: int m_aval;};class DerivedObject : public A,public QObject{ Q_OBJECTpublic: DerivedO...

推荐文章

热门文章

相关标签