关于SLAM的那些事——实时RGBD_ORB_SLAM (Ubuntu+Xtion)

最近写完了windows上的实时rgbd_slam后，读了些论文，想着怎么改进程序，想在闭环检测的方面尝试一下。最近很火的ORB_SLAM2使用了DBoW2（ORB词袋）的方法，极大的提高了速度和匹配准确度，windows版的orb_slam2还没跑成功（一部分库的编译出现了问题，不过等研究做完了，会继续跑windows版本的），这几天一直在尝试ubuntu版的orb_slam的实时重建，今天终于成功了！～（感谢高博士为我们提供了加了3D建图模块的libORB_SLAM2.so（高博的博客：半闲居士））

首先orb_slam2的话，github下载源码编译很容易，按照官方github下面的教程走就行。晒几张TUM数据集的结果：

desk：

room：

效果很棒，模拟轨迹和groundtruth的绝对误差真的和论文上说的一样小。我觉得ORB_SLAM2真的是现在视觉SLAM里最优秀的一版，考虑的非常全面。

那么如果我们要用到自己的项目中，该怎么调用呢？特别棒的一点是，原作者提供了libORB_SLAM2.so给我们，加上头文件System.h，我们就可以把ORB_SLAM作为一个整体加到我们的项目中。但是源码中并没有3D建图的模块，需要做相应改变，高博士为我们提供了加了3D建图模块的libORB_SLAM2.so，这时我们就可以根据自己的需求（kinect，xtion或其他可以获得点云的sensors）。高博的博客中有一篇是用的kinect2，在ROS运行的orb_slam2，今天我们来试一试不用ROS，通过OpenNI2直接调用xtion获取rgb数据和depth数据来重建环境（之前有windows上运行openni2_xtion的经验）。我的建议，要么xtion要么kinect2, 因为kinect很鸡肋，xtion比它轻巧，kinect2比它分辨率高。(源码下载csdn  源码下载github)（词袋文件太大，各位可以从官方github下载）

扯了这么多，现在拉回主线。在ORB_SLAM2/Examples/RGB-D/中，创建rgbd_xtion_cc.cpp：

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

#include    // orb_slam2

using namespace std;
using namespace openni;
using namespace cv;

void showdevice(){
    // 获取设备信息  
    Array aDeviceList;
    OpenNI::enumerateDevices(&aDeviceList);

    cout << "电脑上连接着 " << aDeviceList.getSize() << " 个体感设备." << endl;

    for (int i = 0; i < aDeviceList.getSize(); ++i)
    {
        cout << "设备 " << i << endl;
        const DeviceInfo& rDevInfo = aDeviceList[i];
        cout << "设备名： " << rDevInfo.getName() << endl;
        cout << "设备Id： " << rDevInfo.getUsbProductId() << endl;
        cout << "供应商名： " << rDevInfo.getVendor() << endl;
        cout << "供应商Id: " << rDevInfo.getUsbVendorId() << endl;
        cout << "设备URI: " << rDevInfo.getUri() << endl;

    }
}

Status initstream(Status& rc, Device& xtion, VideoStream& streamDepth, VideoStream& streamColor)
{
    rc = STATUS_OK;

    // 创建深度数据流
    rc = streamDepth.create(xtion, SENSOR_DEPTH);
    if (rc == STATUS_OK)
    {
        // 设置深度图像视频模式
        VideoMode mModeDepth;
        // 分辨率大小
        mModeDepth.setResolution(640, 480);
        // 每秒30帧
        mModeDepth.setFps(30);
        // 像素格式
        mModeDepth.setPixelFormat(PIXEL_FORMAT_DEPTH_1_MM);

        streamDepth.setVideoMode(mModeDepth);
        streamDepth.setMirroringEnabled(false);      //镜像

        // 打开深度数据流
        rc = streamDepth.start();
        if (rc != STATUS_OK)
        {
            cerr << "无法打开深度数据流：" << OpenNI::getExtendedError() << endl;
            streamDepth.destroy();
        }
    }
    else
    {
        cerr << "无法创建深度数据流：" << OpenNI::getExtendedError() << endl;
    }

    // 创建彩色图像数据流
    rc = streamColor.create(xtion, SENSOR_COLOR);
    if (rc == STATUS_OK)
    {
        // 同样的设置彩色图像视频模式
        VideoMode mModeColor;
        mModeColor.setResolution(640, 480);
        mModeColor.setFps(30);
        mModeColor.setPixelFormat(PIXEL_FORMAT_RGB888);

        streamColor.setVideoMode(mModeColor);
        streamColor.setMirroringEnabled(false);   //镜像
        // 打开彩色图像数据流
        rc = streamColor.start();
        if (rc != STATUS_OK)
        {
            cerr << "无法打开彩色图像数据流：" << OpenNI::getExtendedError() << endl;
            streamColor.destroy();
        }
    }
    else
    {
        cerr << "无法创建彩色图像数据流：" << OpenNI::getExtendedError() << endl;
    }

    if (!streamColor.isValid() || !streamDepth.isValid())
    {
        cerr << "彩色或深度数据流不合法" << endl;
        OpenNI::shutdown();
        rc = STATUS_ERROR;
        return rc;
    }

    // 图像模式注册,彩色图与深度图对齐
    if (xtion.isImageRegistrationModeSupported(
        IMAGE_REGISTRATION_DEPTH_TO_COLOR))
    {
        xtion.setImageRegistrationMode(IMAGE_REGISTRATION_DEPTH_TO_COLOR);
    }

    return rc;
}

int main(int argc, char **argv)
{
    if(argc != 3)
    {
        cerr << endl << "Usage: ./rgbd_cc path_to_vocabulary path_to_settings" << endl;
        return 1;
    }

    // 创建ORB_SLAM系统. (参数1：ORB词袋文件  参数2：xtion参数文件)
    ORB_SLAM2::System SLAM(argv[1],argv[2],ORB_SLAM2::System::RGBD,true);

    cout << endl << "-------" << endl;
    cout << "Openning Xtion ..." << endl;

    Status rc = STATUS_OK;
    // 初始化OpenNI环境
    OpenNI::initialize();
    showdevice();
    // 声明并打开Device设备。
    Device xtion;
    const char * deviceURL = openni::ANY_DEVICE;  //设备名
    rc = xtion.open(deviceURL);
    
    VideoStream streamDepth;
    VideoStream streamColor;
    if(initstream(rc, xtion, streamDepth, streamColor) == STATUS_OK)     // 初始化数据流
        cout << "Open Xtion Successfully!"<

思路很简单，首先创建orb_slam系统，传入词袋和xtion/orb参数; 然后从xtion得到彩色图和深度图，调用slam的tracking线程处理得到位姿（当然也有loop线程的闭环检测和g2o下线程的优化），融合点云到同一个坐标下并显示（pointcloudmapping.h / cc里有声明和定义）。

然后在ORB_SLAM2/CMakeLists中添加：

find_package(OpenNI2 REQUIRED)
include_directories("/usr/include/openni2/")
LINK_LIBRARIES( ${OpenNI2_LIBRARY} )
target_link_libraries(${PROJECT_NAME}${OpenNI2_LIBRARY})
add_executable(rgbd_xtion_cc
Examples/RGB-D/rgbd_xtion_cc.cpp)
target_link_libraries(rgbd_xtion_cc ${PROJECT_NAME})

然后就可以在ORB_SLAM2/build/里cmake .. 和 make了。完成后可以看到ORB_SLAM2/Examples/RGB-D/里有可执行文件rgbd_xtion_cc。（rgbd_tum是跑TUM数据集的， rgbd_cc是跑自己的数据集的，这两个都是预先采集好彩色图和深度图）

最后在ORB_SLAM2/Examples/RGB-D/里创建xtion的参数文件xtion.yaml （包含了ORB参数信息），大家根据标定（OpenCV，ROS，MATLAB等）结果自行修改内参（rgb内参和畸变）：

%YAML:1.0

#--------------------------------------------------------------------------------------------
# Camera Parameters. xtion 640*480
#--------------------------------------------------------------------------------------------

# Camera calibration and distortion parameters (OpenCV) 
Camera.fx: 558.341390
Camera.fy: 558.387543
Camera.cx: 314.763671
Camera.cy: 240.992295

Camera.k1: 0.062568
Camera.k2: -0.096148
Camera.p1: 0.000140
Camera.p2: -0.006248
Camera.k3: 0.000000

Camera.width: 640
Camera.height: 480

# Camera frames per second 
Camera.fps: 30.0

# IR projector baseline times fx (aprox.)
Camera.bf: 40.0

# Color order of the images (0: BGR, 1: RGB. It is ignored if images are grayscale)
Camera.RGB: 0

# Close/Far threshold. Baseline times.
ThDepth: 50.0

# Deptmap values factor 
DepthMapFactor: 1000.0

#--------------------------------------------------------------------------------------------
# ORB Parameters
#--------------------------------------------------------------------------------------------

# ORB Extractor: Number of features per image
ORBextractor.nFeatures: 1000

# ORB Extractor: Scale factor between levels in the scale pyramid 	
ORBextractor.scaleFactor: 1.2

# ORB Extractor: Number of levels in the scale pyramid	
ORBextractor.nLevels: 8

# ORB Extractor: Fast threshold
# Image is divided in a grid. At each cell FAST are extracted imposing a minimum response.
# Firstly we impose iniThFAST. If no corners are detected we impose a lower value minThFAST
# You can lower these values if your images have low contrast			
ORBextractor.iniThFAST: 20
ORBextractor.minThFAST: 7

#--------------------------------------------------------------------------------------------
# Viewer Parameters
#--------------------------------------------------------------------------------------------
Viewer.KeyFrameSize: 0.05
Viewer.KeyFrameLineWidth: 1
Viewer.GraphLineWidth: 0.9
Viewer.PointSize:2
Viewer.CameraSize: 0.08
Viewer.CameraLineWidth: 3
Viewer.ViewpointX: 0
Viewer.ViewpointY: -0.7
Viewer.ViewpointZ: -1.8
Viewer.ViewpointF: 500

#--------------------------------------------------------------------------------------------
# PointCloud Mapping
#--------------------------------------------------------------------------------------------
PointCloudMapping.Resolution: 0.01

现在来运行吧～ 在ORB_SLAM2/下打开终端，输入 ./Examples/RGB-D/rgbd_xtion_cc Vocabulary/ORBvoc.txt Examples/RGB-D/xtion.yaml    系统加载ORB词袋，然后打开xtion设备，采集图像处理，显示角点，轨迹和点云：

按‘q’或esc程序退出，自动保存估计的轨迹和点云pcd文件到ORB_SLAM2/下（帧数较多时如3000帧，保存时间较长20s左右）。运行pcl_viewer xx.pcd 即可查看。保存优化后的点云的代码在pointcloudmapping.cc里:

    globalMap->clear();
    for(size_t i=0;iswap( *tmp );         
    pcl::io::savePCDFileBinary ( "optimized_pointcloud.pcd", *globalMap );
    cout<<"Save point cloud file successfully!"<

局部1：

局部2：

局部3：

接下来准备改进词袋，尝试加入3d特征描述words，训练然后提高匹配精准度，拭目以待。

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

2016/6/23补充：

很多同学没有FindOpenNI2.cmake, 导致了系统找不到openni2的库

这里给大家提供了一个FindOpenNI2.cmake文件，复制内容到新的cmake文件，

保存后存到 /usr/share/cmake-2.8/Modules/中去就好了。

#
# Try to find OPenNI2 library and include path.
# Once done this will define
#
# 

FIND_PATH( OpenNI2_INCLUDE_PATH OpenNI.h
    /usr/include
    /usr/local/include
    /sw/include
    /opt/local/include
    DOC "The directory where OpenNI.h resides")
FIND_LIBRARY( OpenNI2_LIBRARY
    NAMES OpenNI2 openni2
    PATHS
    /usr/lib64
    /usr/lib
    /usr/local/lib64
    /usr/local/lib
    /sw/lib
    /opt/local/lib
    DOC "The OpenNI2 library")

IF (OpenNI2_INCLUDE_PATH)
    SET( OpenNI2_FOUND 1 CACHE STRING "Set to 1 if OpenNI2 is found, 0 otherwise")
ELSE (OpenNI2_INCLUDE_PATH)
    SET( OpenNI2_FOUND 0 CACHE STRING "Set to 1 if OpenNI2 is found, 0 otherwise")
ENDIF (OpenNI2_INCLUDE_PATH)

MARK_AS_ADVANCED( OpenNI2_FOUND )

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

2016/8/12补充：

(回答4楼的问题，由于CSDN回复功能的渣过滤技术，只能写在这里了)

1。Camera.bf中的b指基线baseline（单位：米），f是焦距fx（x轴和y轴差距不大），bf=b*f，和ThDepth一起决定了深度点的范围：bf * ThDepth / fx即大致为b * ThDepth。 基线在双目视觉中出现的比较多，如ORB-SLAM中的双目示例中的EuRoC.yaml中的bf为47.9，ThDepth为35，fx为435.2，则有效深度为47.9*35/435.3=3.85米；KITTI.yaml中的bf为387.57，ThDepth为40，fx为721.54，则有效深度为387.57*40/721.54=21.5米。这里的xtion的IR基线（其实也可以不这么叫）bf为40，ThDepth为50，fx为558.34，则有效深度为3.58米（官方为3.5米）。

2。DepthMapFactor: 1000.0这个很好理解，depth深度图的值为真实3d点深度*1000. 例如depth值为2683，则真是世界尺度的这点的深度为2.683米。 这个值是可以人为转换的（如opencv中的convert函数，可以设置缩放因子），如TUM中的深度图的DepthMapFactor为5000，就代表深度图中的5000个单位为1米。

未来，属于一心想要改变世界的人。

-cc