ceres求解PnP--SLAM 十四讲第七章课后题

by jie 2018.8.10

---

尝试用ceres去求解BA。完成SLAM十四讲第七章课后题10。遇到不少问题，记录如下：

首先上代码：

#include 
#include 
#include 
#include 

#include 
#include 
#include 
#include 
#include 
#include 

#include "common/rotation.h"
using namespace std;
using namespace cv;

void find_feature_matches (
    const Mat& img_1, const Mat& img_2,
    std::vector& keypoints_1,
    std::vector& 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 );


struct cost_function_define
{
  cost_function_define(Point3f p1,Point2f p2):_p1(p1),_p2(p2){}
  template
  bool operator()(const T* const cere_r,const T* const cere_t,T* residual)const
  {
    T p_1[3];
    T p_2[3];
    p_1[0]=T(_p1.x);
    p_1[1]=T(_p1.y);
    p_1[2]=T(_p1.z);
cout<<"point_3d: "< keypoints_1, keypoints_2;
    vector matches;
    find_feature_matches ( img_1, img_2, keypoints_1, keypoints_2, matches );
    cout<<"一共找到了"< ( 3,3 ) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1 );
    vector pts_3d;
    vector pts_2d;
    for ( DMatch m:matches )
    {
        ushort d = d1.ptr (int ( keypoints_1[m.queryIdx].pt.y )) [ int ( keypoints_1[m.queryIdx].pt.x ) ];
        if ( d == 0 )   // bad depth
            continue;
        float dd = d/1000.0;
        Point2d p1 = pixel2cam ( keypoints_1[m.queryIdx].pt, K );
        pts_3d.push_back ( Point3f ( p1.x*dd, p1.y*dd, dd ) );
        pts_2d.push_back ( keypoints_2[m.trainIdx].pt );
    }

    cout<<"3d-2d pairs: "<(0,0);
    //  cere_rot[1]=r.at(1,0);
    //  cere_rot[2]=r.at(2,0);
      cere_rot[0]=0;
      cere_rot[1]=1;
      cere_rot[2]=2;

     cere_tranf[0]=t.at(0,0);
     cere_tranf[1]=t.at(1,0);
     cere_tranf[2]=t.at(2,0);


 ceres::Problem problem;
  for(int i=0;i(new cost_function_define(pts_3d[i],pts_2d[i]));
    problem.AddResidualBlock(costfunction,NULL,cere_rot,cere_tranf);//注意，cere_rot不能为Mat类型      
  }
 

  ceres::Solver::Options option;
  option.linear_solver_type=ceres::DENSE_SCHUR;
  //输出迭代信息到屏幕
  option.minimizer_progress_to_stdout=true;
  //显示优化信息
  ceres::Solver::Summary summary;
  //开始求解
  ceres::Solve(option,&problem,&summary);
  //显示优化信息
  cout< ( 3,1 )<& keypoints_1,
                            std::vector& keypoints_2,
                            std::vector< DMatch >& matches )
{
    //-- 初始化
    Mat descriptors_1, descriptors_2;
    // used in OpenCV3
    Ptr detector = ORB::create();
    Ptr descriptor = ORB::create();
    // use this if you are in OpenCV2
    // Ptr detector = FeatureDetector::create ( "ORB" );
    // Ptr descriptor = DescriptorExtractor::create ( "ORB" );
    Ptr 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 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 ( 0,2 ) ) / K.at ( 0,0 ),
               ( p.y - K.at ( 1,2 ) ) / K.at ( 1,1 )
           );
}

代码分析

首先前面代码是EPnP求解PnP。
ceres求解BA的话：
（1）构建cost fuction，即代价函数，也就是寻优的目标式。这个部分需要使用仿函数（functor）这一技巧来实现，做法是定义一个cost function的结构体，在结构体内重载（）运算符。

struct cost_function_define
{
  cost_function_define(Point3f p1,Point2f p2):_p1(p1),_p2(p2){}
  template
  bool operator()(const T* const cere_r,const T* const cere_t,T* residual)const
  {
    T p_1[3];
    T p_2[3];
    p_1[0]=T(_p1.x);
    p_1[1]=T(_p1.y);
    p_1[2]=T(_p1.z);
cout<<"point_3d: "<

这里目标函数是重投影误差，将第一帧观测到的3D点坐标先通过R，T变化到第二帧的坐标系下，然后用内参转到图像坐标系下，即重投影的坐标u，v。然后残差是第二帧观测到的该三维点的坐标u1,v1分别减去u，v。

注意：

• 这里的R不是旋转矩阵，也不是四元数表示的，而是用欧拉角表示的。
  通过函数 AngleAxisRotatePoint(cere_r,p_1,p_2)可以对3D点进行旋转。相当于用旋转矩阵去左乘。

• 这里相机内参没有进行优化，而是直接写入，要一起优化可以稍加修改即可。这里优化的只有相机外参。

• 这里因为有模板，因此要将Point3f类型的_p1转为模板类型p_1，这样才可以在模板类型中的元素进行运算。否则会报错。

• 还有遇到了奇葩的问题，如果将观测变量_p1由类型 Point3f改为double*,则优化结果完全错误。调试发现，传入的观测_p1始终是第一次的值，后面没有再改变。猜测可能是数组必须按地址传递造成的。我将其类型改为自己写的struct类型则正确，初步验证了我的猜想，但是ceres内部怎么写的造成这样，还不太清楚。

（2）通过代价函数构建待求解的优化问题

ceres::Problem problem;
  for(int i=0;i(new cost_function_define(pts_3d[i],pts_2d[i]));
    problem.AddResidualBlock(costfunction,NULL,cere_rot,cere_tranf);//注意，cere_rot不能为Mat类型      
  }

• 这里可以看到，待优化的变量为cere_rot和cere_tranf，都是3维的变量，残差是2维的，因此ceres::AutoDiffCostFunction对应2,3,3.

• 传入的观测是第一帧坐标系下的3D点坐标，和第二帧图像坐标系下的二维点。因为类型不统一，而又必须要用模板参数，因此这里统一类型，修改为double*。

（3）配置问题并求解

  ceres::Solver::Options option;
  option.linear_solver_type=ceres::DENSE_SCHUR;
  //输出迭代信息到屏幕
  option.minimizer_progress_to_stdout=true;
  //显示优化信息
  ceres::Solver::Summary summary;
  //开始求解
  ceres::Solve(option,&problem,&summary);
  //显示优化信息
  cout<

• 注意cere_rot是旋转向量，因此可以Rodrigues公式转换为旋转矩阵

Mat cam_3d = ( Mat_ ( 3,1 )<

输出结果和EPnP求解的基本一致。

Ceres Solver Report: Iterations: 15, Initial cost: 1.748561e+07, Final cost: 1.597795e+02, Termination: CONVERGENCE
----------------optional after--------------------
cam_9d:
[0.9979193163023975, -0.05138607093001037, 0.03894239161802245;
 0.05033839242150249, 0.9983556583913398, 0.02742308528253861;
 -0.04028752162859243, -0.02540572912495343, 0.9988650882519897]
 cam_t:-0.627937  -0.0368194  0.304997

---

对代价函数进行封装后重写

上面的写法封装性不好，因此借鉴书上第10讲的写法重写。

（1）构建cost fuction

template
inline bool CamProjectionWithDistortion(const T* cere_rot, const T* cere_tranf, const T* p_1, T* predictions){
    // Rodrigues' formula
    T p_2[3];

    AngleAxisRotatePoint(cere_rot, p_1, p_2);
   
    // camera[3,4,5] are the translation
    p_2[0] = p_2[0]+cere_tranf[0]; 
    p_2[1] = p_2[1]+ cere_tranf[1]; 
    p_2[2] = p_2[2]+ cere_tranf[2];
   
    T xp = p_2[0]/p_2[2];
    T yp = p_2[1]/p_2[2];
    
    T up=xp* 520.9+325.1;
    T vp=yp*521.0 + 249.7;
    
    predictions[0]=up;
    predictions[1]=vp;

    return true;
}


class SnavelyReprojectionError
{
public:
    SnavelyReprojectionError(Point3f p1,Point2f p2):_p1(p1),_p2(p2){}
 //    SnavelyReprojectionError( double* p1, double* p2):_p1(p1),_p2(p2){}
    template
    bool operator()(const T* const cere_rot,
                    const T* const cere_tranf,
                    T* residual)const{                  
        T predictions[2];
        //把double类型转为T类型
        T p_1[3];

       p_1[0]=T(_p1.x);
       p_1[1]=T(_p1.y);
       p_1[2]=T(_p1.z);
       cout<<"point_3d: "<(
            new SnavelyReprojectionError(p1,p2)));
    }

private:
    Point3f _p1;
    Point2f _p2;
};

（2）构建问题求解

for (int i = 0; i < pts_3d.size(); i++)
{

    ceres::CostFunction *cost_function;
    cost_function = SnavelyReprojectionError::Create(pts_3d[i], pts_2d[i]);
    problem.AddResidualBlock(cost_function, nullptr, cere_rot, cere_tranf);
}

其他部分都一样，不再叙述。