SLAM学习——建图(二)

1.对单目构建稠密地图的讨论

像素梯度的问题

在前面中,通过块匹配来获得匹配结果。块匹配的正确与否,依赖于图像块是否具有区分度,有明显梯度的小块将具有良好的区分度。对于梯度不明显的像素,将比较难估计其有效深度。立体视觉一个常见问题:对物体纹理的依赖性

像素梯度与极线的关系:像素梯度平行于极线方向以及垂直于极线方向。
像素梯度垂直于极线:当沿极线寻找的时候,发现匹配程度是一样的,得到不到有效匹配。
SLAM学习——建图(二)_第1张图片
像素梯度平行于极线:能够精确的找到匹配程度最高的地方。

SLAM学习——建图(二)_第2张图片

但是实际上极线与相机深度是有一定的角度的,从上面我们可以看到角度越大,匹配的不确定性越大,角度越小,匹配的不确定性越小。

逆深度问题

当我们描述一个点时,可以用(x,y,z)三个量来描述,而这三个亮可能存在明显的相关性,如果不太好。我们可以描述成(u,v)和d来表示一个点,毕竟相互独立。我们假设的是深度值满足高斯分布
但是,存在以下问题:
1.场景深度大概5-10米,但近处肯定不会小于相机焦距。这个分布并不是像高斯分布那样,形成对称形状,尾部可能稍微长一点,而负数区域为0。
2.在室外应用中,存在距离非常远的点,高斯分布描述他们会有数值计算上的困难。
因此我们设深度的倒数,即逆深度为服从高斯分布,可修改上述程序。

图像间的变换

在块匹配之前,做一次图像到图像间的变换是一种常见的预处理方式。我们假设图像小块在相机运动时保持不变,而这个假设在相机平移时能保持不变,但是发生明显的旋转时难以保持。

根据相机模型,参考帧上的一个像素与真实的三维点世界坐标关系为: ,对于当前帧,亦有在它上面的投影。,消去,可以得到俩副图像之间的像素关系。

—-讨论:尽管双目和移动单目能够建立稠密的地图,但是我们认为它们过于依赖环境纹理和光照,不够可靠。—–

2.RGB-D稠密建图

在使用RGB-D进行建图的过程中,我们使用俩种滤波器过滤掉部分点云:外点去除滤波器和降采样滤波器。

#include 
#include 
#include 
using namespace std;

#include 
#include 
#include 
#include   // for formating strings
#include 
#include 
#include 
#include 
#include 

int main( int argc, char** argv )
{
    vector colorImgs, depthImgs;    // 彩色图和深度图
    vector poses;         // 相机位姿

    ifstream fin("/home/hansry/Slam_Book/src/Pointcloud_mapping/data/pose.txt");
    if (!fin)
    {
        cerr<<"cannot find pose file"<return 1;
    }

    for ( int i=0; i<5; i++ )
    {
        boost::format fmt( "/home/hansry/Slam_Book/src/Pointcloud_mapping/data/%s/%d.%s" ); //图像文件格式
        colorImgs.push_back( cv::imread( (fmt%"color"%(i+1)%"png").str() ));
        depthImgs.push_back( cv::imread( (fmt%"depth"%(i+1)%"pgm").str(), -1 )); // 使用-1读取原始图像

        double data[7] = {0};
        for ( int i=0; i<7; i++ )
        {
            fin>>data[i];
        }
        Eigen::Quaterniond q( data[6], data[3], data[4], data[5] );
        Eigen::Isometry3d T(q);
        T.pretranslate( Eigen::Vector3d( data[0], data[1], data[2] ));
        poses.push_back( T );
    }

    // 计算点云并拼接
    // 相机内参
    double cx = 325.5;
    double cy = 253.5;
    double fx = 518.0;
    double fy = 519.0;
    double depthScale = 1000.0;

    cout<<"正在将图像转换为点云..."<// 定义点云使用的格式:这里用的是XYZRGB
    typedef pcl::PointXYZRGB PointT;
    typedef pcl::PointCloud PointCloud;

    // 新建一个点云
    PointCloud::Ptr pointCloud( new PointCloud );
    for ( int i=0; i<5; i++ )
    {
        PointCloud::Ptr current( new PointCloud );
        cout<<"转换图像中: "<1<for ( int v=0; vfor ( int u=0; uunsigned int d = depth.ptr<unsigned short> ( v )[u]; // 深度值
                if ( d==0 ) continue; // 为0表示没有测量到
                if ( d >= 7000 ) continue; // 深度太大时不稳定,去掉
                Eigen::Vector3d point;
                point[2] = double(d)/depthScale;
                point[0] = (u-cx)*point[2]/fx;
                point[1] = (v-cy)*point[2]/fy;
                Eigen::Vector3d pointWorld = T*point; //将相机的点转换成世界坐标系的点

                PointT p ;
                p.x = pointWorld[0];
                p.y = pointWorld[1];
                p.z = pointWorld[2];
                p.b = color.data[ v*color.step+u*color.channels() ];
                p.g = color.data[ v*color.step+u*color.channels()+1 ];
                p.r = color.data[ v*color.step+u*color.channels()+2 ];
                current->points.push_back( p );
            }
        // depth filter and statistical removal,外点去除滤波器
        PointCloud::Ptr tmp ( new PointCloud );
        pcl::StatisticalOutlierRemoval statistical_filter;
        statistical_filter.setMeanK(50);
        statistical_filter.setStddevMulThresh(1.0);
        statistical_filter.setInputCloud(current);
        statistical_filter.filter( *tmp );
        (*pointCloud) += *tmp;
    }

    pointCloud->is_dense = false;
    cout<<"点云共有"<size()<<"个点."<// voxel filter,降采样滤波器
    pcl::VoxelGrid voxel_filter;
    voxel_filter.setLeafSize( 0.01, 0.01, 0.01 );       // resolution
    PointCloud::Ptr tmp ( new PointCloud );
    voxel_filter.setInputCloud( pointCloud );
    voxel_filter.filter( *tmp );
    tmp->swap( *pointCloud );

    cout<<"滤波之后,点云共有"<size()<<"个点."<"map.pcd", *pointCloud );//保存pcd文件
    return 0;
}

通过pcl_viewer map.pcd 可查看结果如下:

SLAM学习——建图(二)_第3张图片

3.八叉树地图

尽管pcd有很多好处,但是也有几个明显的缺陷:
1.点云地图通常规模很大,所以pcd文件也会很大。同时点云图也提供了一些非必要的细节,例如地毯的褶皱等,导致空间浪费。
2.点云地图无法处理运动物体,只能“添加点”而不能“去除点”。

提供灵活的、压缩的、又能随时更新的地图形式:八叉图(把一个小方块分成同样大小的八块或从一个节点展开成八个子节点)。结构如下图所示:
SLAM学习——建图(二)_第4张图片

在这里八叉树的结构与字典有点不同,八叉树的节点都是8个,如果叶子节点的方块大小为1,当有10层的时候,就有

你可能感兴趣的:(SLAM,《SLAM,14讲》个人提炼笔记)