从ORB-SLAM2到DynaSLAM的编译 v1.0版本

目录

0.1 对动态场景的跟踪

一、准备工作

1.1环境准备

二、ORB-SLAM2的编译

2.1 安装高版本的CMake

2.2 安装Eigen 

2.3 安装Pangolin0.5版本（版本一定要选这个 0.6编译ORBSLAM2会拉闸） 

2.3.1 依赖安装

2.3.2 下载 Pangolin0.5版本

2.3.3 安装

2.4 安装opencv 2.4.11 

2.4.1 安装依赖

2.4.2 安装opencv ---Configuration Debug

到opencv的根目录执行如下代码：会出现下列错误

2.4.3 安装opencv ---Configuration Debug1

2.4.4 安装opencv ---Make Debug

2.4.5  安装opencv ---Make Debug

2.4.6  安装opencv ---Make Debug

2.4.7 安装opencv到系统 

2.4.8 配置opencv 

2.5 编译ORB-SLAM2 

2.5.0 下载ORB-SLAM2源码命令

2.5.1 给予build.sh可执行权限

2.5.2 Dubug （error: ‘usleep’ was not declared in this scope）

2.5.3 重新编译，第一阶段完结撒花 

三、DynaSLAM的编译

3.1 下载DynaSLAM包

3.2 下载coco数据集 

3.3 下载mask_rcnn_coco.h5 

3.4 下载tensorflow1.12.3压缩包

在这个链接下载 

3.5 下载pip（python2.x） 

3.6 安装tensorflow

3.7 安装与tensorflow1.12.3对应版本的Keras2.0.9 

3.8 安装必备包 

3.9 用Anaconda配置Python相关的环境

3.9.1 下载Anaconda安装包

3.9.2 安装 Anaconda

3.9.3 用Anaconda配置Python相关的环境 

3.9.4 在conda外面做的一些操作 

3.10 编译DynaSLAM

3.10.1 注释掉DynaSLAM根目录的carla行

3.10.2 注释掉根目录、g2o库、DBow2库的-match native去掉 

3.10.3 编译Dynaslam

四、运行ORB-SLAM2与DynaSLAM

4.1 运行ORB-SLAM2

4.1.1 下载数据集

数据集点我下载

4.1.2 数据集处理

4.1.3 运行脚本关联RGB 图像和深度图像 

4.1.4 运行查看结果 

4.2 运行DynaSLAM

4.2.1 下载数据集

4.2.2 数据集处理  

4.2.3 运行查看结果

 

---

0.1 对动态场景的跟踪

一、准备工作

1.1环境准备

一、装好的VMWare虚拟机  /  双系统：如果不会装双系统，请参阅我这篇博客：

 win乌班图双系统安装（win11、Ubuntu20.04）及安装后的环境、软件配置_Courage2022的博客-CSDN博客_乌班图系统

二、安装好的Ubuntu 18.04.5系统

二、ORB-SLAM2的编译

2.1 安装高版本的CMake

        由于系统自带的cmake版本过低，导致有些库不满足cmake的minmum_requried，因此在安装库之前我们要升级以下cmake版本。

        这里我推荐版本为CMake的3.21.3版本。

        赋予这个脚本可执行权限，将解压出来的包移到 /opt 目录下，并建立软链接。

chmod +x cmake-3.21.3.linux-x86_64.sh
./cmake-3.21.3.linux-x86_64.sh
sudo mv cmake-3.21.3-Linux-x86_64 /opt/cmake-3.21.3  
sudo ln -sf /opt/cmake-3.21.3/bin/* /usr/bin/   

 执行脚本如下：

测试安装：

cmake --version

安装成功. 

如果之前装过老版本的CMake，千万不要用下面一行代码去卸载，原因是卸载掉老版本的CMake会使所有依赖CMake编译的库拉闸！

sudo apt-get autoremove cmake

 cmake安装成功之后，不要忘记将cmake的文件路径添加至 .bashrc里面：

# 进入~/.bashrc
sudo gedit ~/.bashrc
# 输入以下内容
export  PATH=$PATH:/opt/cmake-3.21.3/bin

保存 .bashrc的更改和更新source一下：

source ~/.bashrc 

2.2 安装Eigen 

用命令安装即可：

sudo apt-get install libeigen3-dev

更改安装位置以能被CMake发现：（特别重要）

 cd /usr/include/eigen3 
 sudo cp Eigen/ .. -R 

2.3 安装Pangolin0.5版本（版本一定要选这个 0.6编译ORBSLAM2会拉闸） 

2.3.1 依赖安装

sudo  apt-get  install  libglew-dev
sudo  apt-get  install  libboost-dev libboost-thread-dev 
sudo  apt-get  install  libboost-filesystem-dev
sudo  apt-get  install  libpython2.7-dev
sudo  apt-get  install  build-essential

2.3.2 下载 Pangolin0.5版本

GitHub - stevenlovegrove/Pangolin: Pangolin is a lightweight portable rapid development library for managing OpenGL display / interaction and abstracting video input.下载zip压缩包解压（v0.5版本)

2.3.3 安装

我推荐把所有包放到/home目录下：

 解压后进入文件夹：

执行：

cd  Pangolin
mkdir  build
cd  build
cmake -DCPP11_NO_BOOSR=1 ..
make
sudo make install

2.4 安装opencv 2.4.11 

一定要选这个版本，否则DynaSLAM编译不通过...............

2.4.1 安装依赖

sudo apt-get update
sudo apt-get upgrade
sudo apt-get install build-essential  
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev  
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev  
sudo apt-get install qt5-default ccache libv4l-dev libavresample-dev  libgphoto2-dev libopenblas-base libopenblas-dev doxygen  openjdk-8-jdk pylint libvtk6-dev
sudo apt-get install pkg-config

sudo apt-get install libjasper-dev

最后安装libjasper-dev的时候，会遇到找不到包的情况：执行下列代码

sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
sudo apt update
sudo apt install libjasper1 libjasper-dev

 完美解决。

2.4.2 安装opencv ---Configuration Debug

到opencv的根目录执行如下代码：会出现下列错误

mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local/opencv2.4.11 -DENABLE_PRECOMPILED_HEADERS=OFF -D WITH_FFMPEG=OFF ..

解决：将OpenCVDetectCXXCompiler.cmake的内容替换为如下：

# ----------------------------------------------------------------------------
# Detect Microsoft compiler:
# ----------------------------------------------------------------------------
if(CMAKE_CL_64)
    set(MSVC64 1)
endif()

if(CMAKE_CXX_COMPILER_ID STREQUAL "Clang")
  set(CMAKE_COMPILER_IS_GNUCXX 1)
  set(CMAKE_COMPILER_IS_CLANGCXX 1)
endif()
if(CMAKE_C_COMPILER_ID STREQUAL "Clang")
  set(CMAKE_COMPILER_IS_GNUCC 1)
  set(CMAKE_COMPILER_IS_CLANGCC 1)
endif()
if("${CMAKE_CXX_COMPILER};${CMAKE_C_COMPILER}" MATCHES "ccache")
  set(CMAKE_COMPILER_IS_CCACHE 1)
endif()

# ----------------------------------------------------------------------------
# Detect Intel ICC compiler -- for -fPIC in 3rdparty ( UNIX ONLY ):
#  see  include/opencv/cxtypes.h file for related   ICC & CV_ICC defines.
# NOTE: The system needs to determine if the '-fPIC' option needs to be added
#  for the 3rdparty static libs being compiled.  The CMakeLists.txt files
#  in 3rdparty use the CV_ICC definition being set here to determine if
#  the -fPIC flag should be used.
# ----------------------------------------------------------------------------
if(UNIX)
  if  (__ICL)
    set(CV_ICC   __ICL)
  elseif(__ICC)
    set(CV_ICC   __ICC)
  elseif(__ECL)
    set(CV_ICC   __ECL)
  elseif(__ECC)
    set(CV_ICC   __ECC)
  elseif(__INTEL_COMPILER)
    set(CV_ICC   __INTEL_COMPILER)
  elseif(CMAKE_C_COMPILER MATCHES "icc")
    set(CV_ICC   icc_matches_c_compiler)
  endif()
endif()

if(MSVC AND CMAKE_C_COMPILER MATCHES "icc|icl")
  set(CV_ICC   __INTEL_COMPILER_FOR_WINDOWS)
endif()

# ----------------------------------------------------------------------------
# Detect GNU version:
# ----------------------------------------------------------------------------
if(CMAKE_COMPILER_IS_CLANGCXX)
  set(CMAKE_GCC_REGEX_VERSION "4.2.1")
  set(CMAKE_OPENCV_GCC_VERSION_MAJOR 4)
  set(CMAKE_OPENCV_GCC_VERSION_MINOR 2)
  set(CMAKE_OPENCV_GCC_VERSION 42)
  set(CMAKE_OPENCV_GCC_VERSION_NUM 402)

  execute_process(COMMAND ${CMAKE_CXX_COMPILER} ${CMAKE_CXX_COMPILER_ARG1} -v
                  ERROR_VARIABLE CMAKE_OPENCV_CLANG_VERSION_FULL
                  ERROR_STRIP_TRAILING_WHITESPACE)

  string(REGEX MATCH "version.*$" CMAKE_OPENCV_CLANG_VERSION_FULL "${CMAKE_OPENCV_CLANG_VERSION_FULL}")
  string(REGEX MATCH "[0-9]+\\.[0-9]+" CMAKE_CLANG_REGEX_VERSION "${CMAKE_OPENCV_CLANG_VERSION_FULL}")

elseif(CMAKE_COMPILER_IS_GNUCXX)
  execute_process(COMMAND ${CMAKE_CXX_COMPILER} ${CMAKE_CXX_COMPILER_ARG1} -dumpversion
                OUTPUT_VARIABLE CMAKE_OPENCV_GCC_VERSION_FULL
                OUTPUT_STRIP_TRAILING_WHITESPACE)

  execute_process(COMMAND ${CMAKE_CXX_COMPILER} ${CMAKE_CXX_COMPILER_ARG1} -v
                ERROR_VARIABLE CMAKE_OPENCV_GCC_INFO_FULL
                OUTPUT_STRIP_TRAILING_WHITESPACE)

  # Typical output in CMAKE_OPENCV_GCC_VERSION_FULL: "c+//0 (whatever) 4.2.3 (...)"
  # Look for the version number, major.minor.build
  string(REGEX MATCH "[0-9]+\\.[0-9]+\\.[0-9]+" CMAKE_GCC_REGEX_VERSION "${CMAKE_OPENCV_GCC_VERSION_FULL}")
  if(NOT CMAKE_GCC_REGEX_VERSION)#major.minor
    string(REGEX MATCH "[0-9]+\\.[0-9]+" CMAKE_GCC_REGEX_VERSION "${CMAKE_OPENCV_GCC_VERSION_FULL}")
  endif()

  if(CMAKE_GCC_REGEX_VERSION)
    # Split the parts:
    string(REGEX MATCHALL "[0-9]+" CMAKE_OPENCV_GCC_VERSIONS "${CMAKE_GCC_REGEX_VERSION}")

    list(GET CMAKE_OPENCV_GCC_VERSIONS 0 CMAKE_OPENCV_GCC_VERSION_MAJOR)
    list(GET CMAKE_OPENCV_GCC_VERSIONS 1 CMAKE_OPENCV_GCC_VERSION_MINOR)
  else()#compiler returned just the major version number
    string(REGEX MATCH "[0-9]+" CMAKE_GCC_REGEX_VERSION "${CMAKE_OPENCV_GCC_VERSION_FULL}")
    if(NOT CMAKE_GCC_REGEX_VERSION)#compiler did not return anything reasonable
      set(CMAKE_GCC_REGEX_VERSION "0")
      message(WARNING "GCC version not detected!")
    endif()
    set(CMAKE_OPENCV_GCC_VERSION_MAJOR ${CMAKE_GCC_REGEX_VERSION})
    set(CMAKE_OPENCV_GCC_VERSION_MINOR 0)
  endif()

  set(CMAKE_OPENCV_GCC_VERSION ${CMAKE_OPENCV_GCC_VERSION_MAJOR}${CMAKE_OPENCV_GCC_VERSION_MINOR})
  math(EXPR CMAKE_OPENCV_GCC_VERSION_NUM "${CMAKE_OPENCV_GCC_VERSION_MAJOR}*100 + ${CMAKE_OPENCV_GCC_VERSION_MINOR}")
  message(STATUS "Detected version of GNU GCC: ${CMAKE_OPENCV_GCC_VERSION} (${CMAKE_OPENCV_GCC_VERSION_NUM})")

  if(WIN32)
    execute_process(COMMAND ${CMAKE_CXX_COMPILER} -dumpmachine
              OUTPUT_VARIABLE OPENCV_GCC_TARGET_MACHINE
              OUTPUT_STRIP_TRAILING_WHITESPACE)
    if(OPENCV_GCC_TARGET_MACHINE MATCHES "amd64|x86_64|AMD64")
      set(MINGW64 1)
    endif()
  endif()
endif()

if(MSVC64 OR MINGW64)
  set(X86_64 1)
elseif(MINGW OR (MSVC AND NOT CMAKE_CROSSCOMPILING))
  set(X86 1)
elseif(CMAKE_SYSTEM_PROCESSOR MATCHES "amd64.*|x86_64.*|AMD64.*")
  set(X86_64 1)
elseif(CMAKE_SYSTEM_PROCESSOR MATCHES "i686.*|i386.*|x86.*|amd64.*|AMD64.*")
  set(X86 1)
elseif(CMAKE_SYSTEM_PROCESSOR MATCHES "^(arm.*|ARM.*)")
  set(ARM 1)
elseif(CMAKE_SYSTEM_PROCESSOR MATCHES "^(aarch64.*|AARCH64.*)")
  set(AARCH64 1)
endif()

# Workaround for 32-bit operating systems on 64-bit x86_64 processor
if(X86_64 AND CMAKE_SIZEOF_VOID_P EQUAL 4 AND NOT FORCE_X86_64)
  message(STATUS "sizeof(void) = 4 on x86 / x86_64 processor. Assume 32-bit compilation mode (X86=1)")
  unset(X86_64)
  set(X86 1)
endif()

# Similar code exists in OpenCVConfig.cmake
if(NOT DEFINED OpenCV_STATIC)
  # look for global setting
  if(NOT DEFINED BUILD_SHARED_LIBS OR BUILD_SHARED_LIBS)
    set(OpenCV_STATIC OFF)
  else()
    set(OpenCV_STATIC ON)
  endif()
endif()

if(MSVC)
  if(CMAKE_CL_64)
    set(OpenCV_ARCH x64)
  elseif((CMAKE_GENERATOR MATCHES "ARM") OR ("${arch_hint}" STREQUAL "ARM") OR (CMAKE_VS_EFFECTIVE_PLATFORMS MATCHES "ARM|arm"))
    # see Modules/CmakeGenericSystem.cmake
    set(OpenCV_ARCH ARM)
  else()
    set(OpenCV_ARCH x86)
  endif()
  if(MSVC_VERSION EQUAL 1400)
    set(OpenCV_RUNTIME vc8)
  elseif(MSVC_VERSION EQUAL 1500)
    set(OpenCV_RUNTIME vc9)
  elseif(MSVC_VERSION EQUAL 1600)
    set(OpenCV_RUNTIME vc10)
  elseif(MSVC_VERSION EQUAL 1700)
    set(OpenCV_RUNTIME vc11)
  elseif(MSVC_VERSION EQUAL 1800)
    set(OpenCV_RUNTIME vc12)
  elseif(MSVC_VERSION EQUAL 1900)
    set(OpenCV_RUNTIME vc14)
  elseif(MSVC_VERSION EQUAL 1910)
    set(OpenCV_RUNTIME vc15)
  endif()
elseif(MINGW)
  set(OpenCV_RUNTIME mingw)

  if(MINGW64)
    set(OpenCV_ARCH x64)
  else()
    set(OpenCV_ARCH x86)
  endif()
endif()

再次运行：配置成功

2.4.3 安装opencv ---Configuration Debug1

make -j16

报错1：编译到94%时报错，错误在91%下， error: the compiler can assume that the address of ‘annotate_img’ will never be NULL [-Werror=address]

解决方案：假设opencv中生成的临时编译文件为build，则在文件中找到./build/modules/contrib/CMakeFiles/opencv_contrib.dir/flags.make，删除第四行中的-Werror=address。

 解决！

2.4.4 安装opencv ---Make Debug

make -j16

报错2：rgbdodometry.cpp:65:12: fatal error: unsupported/Eigen/MatrixFunctions: 没有那个文件或目录

解决方案：在rgbdodometry.cpp的65行加上eigen3

#include 
//或者
#include 

 再次执行，成功编译opencv

2.4.5  安装opencv ---Make Debug

编译到14%时一长串的错误，全都是一个类型：error: ‘CODEC_ID_H264’ was not declared in this scope
{ CODEC_ID_H264, MKTAG(‘H’, ‘2’, ‘6’, ‘4’) }

还有这种错误 ``error: ‘PIX_FMT_YUV444P’ was not declared in this scope;

解决方案：cmake直接关闭ffmpeg，在cmake命令后面加上

-D WITH_FFMPEG=OFF 

2.4.6  安装opencv ---Make Debug

编译到12%时报错 fatal error: stdlib.h: 没有那个文件或目录，可能要往上翻一翻找到红字error的部分。

解决方案：cmake的时候在命令后面加上

-DENABLE_PRECOMPILED_HEADERS=OFF

2.4.7 安装opencv到系统 

bug全部处理完毕，在build目录安装opencv到系统路径

sudo make install

2.4.8 配置opencv 

sudo gedit ~/.bashrc
//在文件末尾加上下面两行：
#export PKG_CONFIG_PATH="/usr/local/opencv2.4.11/lib/pkgconfig:$PKG_CONFIG_PATH"
#export LD_LIBRARY_PATH="/usr/local/opencv2.4.11/lib:$LD_LIBRARY_PATH"
//保存之后
//更新环境
source ~/.bashrc
//查看opencv的版本
pkg-config --modversion opencv

出现这个就表明安装成功了。 

2.5 编译ORB-SLAM2 

2.5.0 下载ORB-SLAM2源码命令

git clone https://github.com/raulmur/ORB_SLAM2.git

2.5.1 给予build.sh可执行权限

sudo chmod 777 build.sh

执行：

./build.sh

2.5.2 Dubug （error: ‘usleep’ was not declared in this scope）

解决方式：在ORB_SLAM2/include/System.h中添加一句 

#include "unistd.h"

2.5.3 重新编译，第一阶段完结撒花 

三、DynaSLAM的编译

3.1 下载DynaSLAM包

git clone  https://github.com/BertaBescos/DynaSLAM.git

3.2 下载coco数据集 

git clone https://github.com/waleedka/coco.git

3.3 下载mask_rcnn_coco.h5 

Releases · matterport/Mask_RCNN (github.com)

3.4 下载tensorflow1.12.3压缩包

在这个链接下载 

3.5 下载pip（python2.x） 

sudo apt install python-pip

3.6 安装tensorflow

把下载的tensorflow压缩包放到主目录下，终端输入如下命令来安装（否则找不到文件）

sudo pip install tensorflow-1.12.3-cp27-cp27mu-manylinux1_x86_64.whl

报错：

解决办法： 

python -m pip install --upgrade pip

下载的很慢，等了半个小时....成功！ 

3.7 安装与tensorflow1.12.3对应版本的Keras2.0.9 

sudo pip install keras==2.0.9 -i https://pypi.tuna.tsinghua.edu.cn/simple

3.8 安装必备包 

sudo apt-get install libboost-all-dev
pip install Cython  -i  https://pypi.tuna.tsinghua.edu.cn/simple/ 
pip install fasttext  -i  https://pypi.tuna.tsinghua.edu.cn/simple/
sudo pip install scikit-image
sudo apt install python-tk
sudo apt-get install libboost-dev libboost-thread-dev libboost-filesystem-dev 
sudo apt-get install libboost-all-dev 
sudo apt-get install qtbase5-dev
pip install pycocotools

3.9 用Anaconda配置Python相关的环境

3.9.1 下载Anaconda安装包

点我下载

3.9.2 安装 Anaconda

bash ./Anaconda3-2021.11-Linux-x86_64.sh 

yes

 回车，开始安装！

初始化Anaconda：

执行完上一步Anaconda在Ubuntu系统里面的安装基本完毕了，但是还需要最后一步 初始化Anaconda，这一步只需要根据提示输入yes即可，界面如下： 

 安装成功。

如果您希望 conda 的基础环境在启动时不被激活，请将 auto_activate_base 参数设置为 false，命令如下：

conda config --set auto_activate_base false

当然这一条命令执行完毕后，想要再次进入conda的base环境，只需要使用对应的conda指令即可，如下：

conda activate base

3.9.3 用Anaconda配置Python相关的环境 

1.激活conda环境

执行下列代码：

conda create -n MaskRCNN python=2.7
conda activate MaskRCNN
pip install tensorflow==1.4.0  #或者 pip install tensorflow-gpu==1.4.0
pip install keras==2.0.9

2.安装scikit-image

sudo pip install scikit-image

 3.安装pycocotools

pip install pycocotools

4.安装依赖

 pip install Cython
 pip install fasttext

5.安装coco工具箱

cd coco
cd PythonAPI
which python
sudo /home/liuhongwei/anaconda3/envs/MaskRCNN/bin/python setup.py install

6.将新生成的 build/lib.linux-x86_64-2.7/pycocotools 文件夹里的内容替换到 pycocotools 文件夹中

将一图中内容替换到二图：

 

 7.测试Mask R-CNN环境及报错解决

python src/python/Check.py

有Bug： ImportError: No module named skimage.io

选择安装低版本：

pip uninstall scikit-image
pip install scikit-image==0.14.5

  pip install numpy==1.15.0

3.9.4 在conda外面做的一些操作 

1.下载tensorflow1.12.3压缩包

tenserflow1.12.3

2.安装

sudo pip install tensorflow-1.12.3-cp27-cp27mu-manylinux1_x86_64.whl

出bug了............. 

3.Debug

python -m pip install --upgrade pip

 重新执行

4.安装与tensorflow1.12.3对应版本的Keras2.0.9

sudo pip install keras==2.0.9 -i https://pypi.tuna.tsinghua.edu.cn/simple

 5.继续check.py

出错了，继续Debug！

• 把文件mask_rcnn_coco.h5复制到DynaSLAM/src/python/下

 还是不行...................

报错信息：Unable to open file (unable to open file: name = './src/python/mask_rcnn_coco.h5', errno = 2, error message = 'No such file or directory', flags = 0, o_flags = 0)
文件目录出现问题。查看maskrcnncoco.h5的属性，把DynaSLAM/src/python/Check.py的目录修改如下：

ROOT_DIR = "/home/liuhongwei/Desktop/DynaSLAM/src/python"

 成功！

3.10 编译DynaSLAM

3.10.1 注释掉DynaSLAM根目录的carla行

3.10.2 注释掉根目录、g2o库、DBow2库的-match native去掉 

3.10.3 编译Dynaslam

./build.sh

 安装成功！

四、运行ORB-SLAM2与DynaSLAM

4.1 运行ORB-SLAM2

4.1.1 下载数据集

数据集点我下载

在这些动态场景里随便下一个 ！

4.1.2 数据集处理

      将ORB-SLAM2的根目录下新建data文件夹，将我们的数据集解压后放到里面，如图：

4.1.3 运行脚本关联RGB 图像和深度图像 

点我下载associate.py

liuhongwei@ubuntu:~/Desktop/ORB_SLAM2-master$ python ./data/associate.py ./data/rgbd_dataset_freiburg3_sitting_static/rgb.txt ./data/rgbd_dataset_freiburg3_sitting_static/depth.txt > data/rgbd_dataset_freiburg3_sitting_static/associations.txt

4.1.4 运行查看结果 

./Examples/RGB-D/rgbd_tum ./Vocabulary/ORBvoc.txt ./Examples/RGB-D/TUM3.yaml data/rgbd_dataset_freiburg3_sitting_static/ data/rgbd_dataset_freiburg3_sitting_static/associations1.txt 

4.2 运行DynaSLAM

4.2.1 下载数据集

相同数据集

4.2.2 数据集处理  

        运行RGB-D数据集：传入参数分别为：可执行程序、ORB字典、配置信息、数据集路径、Mask目录、OUTPUT目录。其中mask目录和output目录是我们新建的。

        如果提供了 PATH_TO_MASKS，Mask R-CNN 用于分割每一帧的潜在动态内容。这些mask保存在提供的文件夹 PATH_TO_MASKS 中。如果此参数为 no_save，则使用mask但不保存。如果它在 PATH_TO_MASKS 中找到 Mask R-CNN 计算的动态掩码，它会使用它们但不会再次计算它们。

        如果提供了 PATH_TO_OUTPUT，则计算修复的帧并将其保存在 PATH_TO_OUTPUT 中。（背景修复）

4.2.3 运行查看结果

 ./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM3.yaml ./data/rgbd_dataset_freiburg3_sitting_static/ ./data/rgbd_dataset_freiburg3_sitting_static/associations.txt ./data/mask/ ./data/output/