还是3D2D程序

72 阅读 0 评论 48 点赞

我是靠谱客的博主体贴服饰，最近开发中收集的这篇文章主要介绍还是3D2D程序，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

#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 <Eigen/Geometry>
#include <g2o/core/base_vertex.h>
#include <g2o/core/base_unary_edge.h>
#include <g2o/core/block_solver.h>
#include <g2o/core/optimization_algorithm_levenberg.h>
#include <g2o/solvers/csparse/linear_solver_csparse.h>
#include <g2o/types/sba/types_six_dof_expmap.h>

using namespace std;
using namespace cv;

//特征点匹配，传入两张图像，两张图像对应的特征点，最后生成的匹配存入matches数组
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 );

//像素坐标到相机归一化平面坐标，传如像素坐标值(Point2d类型const引用，快，又不改变原始值)和相机内参，返回归一化平面坐标(也是Point2d类型)
Point2d pixel2cam ( const Point2d& p, const Mat& K );

//BA优化，其实BA优化是单独的一块了。主函数中也就是一句调用这个BA函数，进行优化一下。
void bundleAdjustment (
        const vector<Point3f> points_3d,
        const vector<Point2f> points_2d,
        const Mat& K,
        Mat& R,
        Mat& t
);


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 );

    vector<KeyPoint> keypoints_1, keypoints_2;
    vector<DMatch> matches;
    find_feature_matches ( img_1, img_2, keypoints_1, keypoints_2, matches );
    cout<<"图一找到"<<keypoints_1.size() <<"个关键点"<<endl;
    cout<<"图二找到"<<keypoints_2.size() <<"个关键点"<<endl;
    cout<<"筛选后一共"<<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);
    vector<Point3f> pts_3d;
    vector<Point2f> pts_2d;
    for ( DMatch m:matches )
    {

        //首先攒image1的3d点
        //这一步应该是取得匹配点的深度，queryIdx查询描述子索引，pt关键点的坐标
        cout<<"输出索引为："<<m.queryIdx<<endl;//这里可以看出来，范围从0-500散落，是跟keypoints_1一一对应的，这个值在第一次计算时就已经有了，并m在非筛选后的matches数组中的索引值。
        ushort d = d1.ptr<unsigned short> (int ( keypoints_1[m.queryIdx].pt.y )) [ int ( keypoints_1[m.queryIdx].pt.x ) ];//取得审图图中，每一个匹配点的深度
        if ( d == 0 )   // bad depth舍弃掉
            continue;
        float dd = float(d/1000.0);//单位换算？
        Point2d p1 = pixel2cam ( keypoints_1[m.queryIdx].pt, K );//像素坐标到相机归一化坐标。这里得到的归一化坐标是X/Z,Y/Z形式的，所以后面乘以了深度
        pts_3d.push_back ( Point3f ( float(p1.x*dd), float(p1.y*dd), dd ) );//乘上深度值，得到3d坐标。

        //然后是image2的2d点。
        //上方３d点是image1的，下面的２d点是image2的，所以用了keypoints_2，同样索引也是用了m.trainIdx，被匹配的描述子的索引。其实在这里两个值是一样的，都为500。
        pts_2d.push_back ( keypoints_2[m.trainIdx].pt );
    }

    cout<<"3d-2d pairs: "<<pts_3d.size() <<endl;

    //
    Mat r, t;
    //调用cv中的solvePnP()方法求解，比较无脑，传入3d点数组，2d点数组，相机内参k，畸变向量(这里没有，所以直接Mat一个空的)，用于承接旋转和变换的r和t.后面还有两个带默认值的参数，这里省去了。
    solvePnP ( pts_3d, pts_2d, K, Mat(), r, t); // 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

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

    cout<<"calling bundle adjustment"<<endl;

    //bundleAdjustment ( pts_3d, pts_2d, K, R, t );

    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类型描述子，表征描述子也是图像矩阵的形式
    Mat descriptors_1, descriptors_2;
    // used in OpenCV3
    //创建用于提取关键点的FeatureDetector类型指针detector
    Ptr<FeatureDetector> detector = ORB::create();
    //创建用于计算关键点描述子的DescriptorExtractor类型指针descriptor
    Ptr<DescriptorExtractor> descriptor = ORB::create();
    //创建用于计算匹配描述子的DescriptorMatcher类型指针matcher
    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_array;
    // BFMatcher matcher ( NORM_HAMMING );
    matcher->match ( descriptors_1, descriptors_2, match_array );
    cout<<"未筛选一共有"<<match_array.size()<<"组匹配点"<<endl;

    //-- 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_array[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_array[i].distance <= max ( 2*min_dist, 30.0 ) )
        {
            matches.push_back ( match_array[i] );
        }
    }
}

Point2d pixel2cam ( const Point2d& p, const Mat& K )//看一下这个像素坐标到归一化相机平面的坐标函数：
{
    //这里的p.x相当于u,p.y相当于v。return的2d点其实是归一化平面的(X/Z, Y/Z)。公式根据P86页的式5.5推得。
    return Point2d
            (
                    ( p.x - K.at<double> ( 0,2 ) ) / K.at<double> ( 0,0 ),//注意看Mat类型的K如何通过at进行索引，注意at是个模板方法，需要传入数据类型
                    ( p.y - K.at<double> ( 1,2 ) ) / K.at<double> ( 1,1 )
            );
}

//BA函数，利用g2o进行优化，这里传入优化必要的信息，3d点和2d点，相机内参K，旋转矩阵R和变换矩阵t
void bundleAdjustment (
        const vector< Point3f > points_3d,
        const vector< Point2f > points_2d,
        const Mat& K,
        Mat& R,
        Mat& t)
{
    // 初始化g2o
    // 构造g2o中的图
    g2o::SparseOptimizer optimizer;

    //定义矩阵块，这里其实就是创造一个块求解器
    typedef g2o::BlockSolver< g2o::BlockSolverTraits<6,3> > Block_solver;  // pose 维度为 6, landmark 维度为 3

    //创建线性方程求解器：稀疏的增量方程,用于后面的块求解器构造
    Block_solver::LinearSolverType* linearSolver = new g2o::LinearSolverCSparse<Block_solver::PoseMatrixType>(); // 线性方程求解器

    // 创建矩阵块求解器，利用上方的线性方程求解器，用于后面的梯度下降算法构造
    Block_solver* solver_ptr = new Block_solver ( linearSolver );

    //梯度下降方法,利用上方的矩阵块求解器，用于下面给优化器添加算法
    g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg ( solver_ptr );

    //设置优化器的求解算法
    optimizer.setAlgorithm ( solver );

    // 定义并添加各种顶点vertex，这里的顶点有一个相机位姿和许多路标

    //添加一个相机位姿camera pose。给这个pose设置Id为0：pose->setId(0);
    //optimizer.addVertex()
    g2o::VertexSE3Expmap* pose = new g2o::VertexSE3Expmap();//貌似这句有问题，但是并没有看出来啥问题，会报错Process finished with exit code 139 (interrupted by signal 11: SIGSEGV)
    Eigen::Matrix3d R_mat;
    R_mat <<//这里由于R为Mat类型，R_mat为Eigen::Matrix3d类型，所以挨个拷贝，
          R.at<double> ( 0,0 ), R.at<double> ( 0,1 ), R.at<double> ( 0,2 ),
            R.at<double> ( 1,0 ), R.at<double> ( 1,1 ), R.at<double> ( 1,2 ),
            R.at<double> ( 2,0 ), R.at<double> ( 2,1 ), R.at<double> ( 2,2 );
    pose->setId ( 0 );
    //设置位姿估计值，其实就是用一个g2o::SE3Quat四元数构造的。这里注意一下pose的类型和pose的估计值，pose的类型是g2o中的一个顶点，是vertex。而
    //pose的估计值，也就是pose的值是个四元数，是个表示旋转和平移的四元数。所以这里在设置初步估计值是，传入的是一个四元数变换。从最后输出结果时用的pose->estimate()也看出来，pose的值，都是通过estimate()去操作
    pose->setEstimate(g2o::SE3Quat(R_mat, Eigen::Vector3d(t.at<double>(0, 0), t.at<double>(1, 0), t.at<double>(2, 0))));
    optimizer.addVertex ( pose );

    //添加许多路标点landmarks,每个路标点设置一个ID。
    //optimizer.addVertex()
    //由于上方的一个pose顶点已经被设置为0,所以这里的ID的索引从1开始。
    int index = 1;
    for ( const Point3f p:points_3d )
    {
        g2o::VertexSBAPointXYZ* point = new g2o::VertexSBAPointXYZ();
        point->setId ( index++ );
        //同样是设置估计值，这里point的类型也是vertex，但是值不同了，值是一个三维坐标点，所以传入Eigen::Vector3d类型的参数进行设置估计值。
        point->setEstimate ( Eigen::Vector3d ( p.x, p.y, p.z ) );
        point->setMarginalized ( true ); // g2o 中必须设置 marg 参见第十讲内容
        optimizer.addVertex ( point );
    }


    //添加相机参数.optimizer.addParameter(). parameter: camera intrinsics
    g2o::CameraParameters* camera = new g2o::CameraParameters (K.at<double>(0, 0), Eigen::Vector2d(K.at<double>(0, 2), K.at<double>(1, 2)), 0);
    camera->setId ( 0 );
    //向优化器中添加参数，这里添加的是相机内参。
    optimizer.addParameter ( camera );

    // 添加许多边edges: optimizer.addEdge()
    index = 1;
    for ( const Point2f p:points_2d )
    {
        g2o::EdgeProjectXYZ2UV* edge = new g2o::EdgeProjectXYZ2UV();
        edge->setId ( index );
        //设置链接的顶点,由于这里是二元边，所以每个边都链接两个顶点，用0,1区分。0代表链接point那头，1代表链接pose那头。由于point有好多个，所以需要对应添加，用了index。
        edge->setVertex ( 0, dynamic_cast<g2o::VertexSBAPointXYZ*> ( optimizer.vertex ( index ) ) );
        edge->setVertex ( 1, pose );
        //设置观测，这里就是像素坐标
        edge->setMeasurement ( Eigen::Vector2d ( p.x, p.y ) );
        //设置参数ID，不知哪里来的
        //bool setParameterId(int argNum, int paramId);
        edge->setParameterId ( 0,0 );
        //设置信息矩阵，设置为单位阵I
        edge->setInformation ( Eigen::Matrix2d::Identity() );
        optimizer.addEdge ( edge );
        index++;
    }

    //
    optimizer.setVerbose ( true );
    //开始优化
    optimizer.initializeOptimization();
    //设置迭代次数上限
    optimizer.optimize ( 100 );

    cout<<endl<<"after optimization:"<<endl;
    cout<<"T="<<endl<<Eigen::Isometry3d(pose->estimate()).matrix()<<endl;
}