3d2d代码中的一些解读
cmakelists:
cmake_minimum_required(VERSION 3.7)
project(pose_estimation_3d2d)
set(CMAKE_CXX_STANDARD 11)
list(APPEND CMAKE_MODULE_PATH /home/roibn/install/g2o-master/cmake_modules)
find_package( OpenCV 3.1 REQUIRED )
find_package( G2O REQUIRED )
find_package( CSparse REQUIRED )
include_directories(
${OpenCV_INCLUDE_DIRS}
${G2O_INCLUDE_DIRS}
${CSPARSE_INCLUDE_DIR}
"/usr/include/eigen3/"
)
set(SOURCE_FILES main.cpp)
add_executable(pose_estimation_3d2d ${SOURCE_FILES})
target_link_libraries( pose_estimation_3d2d
${OpenCV_LIBS}
${CSPARSE_LIBRARY}
g2o_core g2o_stuff g2o_types_sba g2o_csparse_extension
)代码：
#include 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"个关键点"<cout<<"图二找到"<"个关键点"<cout<<"筛选后一共"<"组匹配点"<// 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);
vectorunsigned short> (int ( keypoints_1[m.queryIdx].pt.y )) [ int ( keypoints_1[m.queryIdx].pt.x ) ];
if ( d == 0 ) // bad depth
continue;
float dd = float(d/1000.0);
Point2d p1 = pixel2cam ( keypoints_1[m.queryIdx].pt, K );
pts_3d.push_back ( Point3f ( float(p1.x*dd), float(p1.y*dd), dd ) );
pts_2d.push_back ( keypoints_2[m.trainIdx].pt );
}
cout<<"3d-2d pairs: "<false ); // 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="<cout<<"t="<cout<<"calling bundle adjustment"<return 0;
}
void find_feature_matches ( const Mat& img_1, const Mat& img_2,
std::vector 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"组匹配点"<//-- 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 )
{
return Point2d
(
( p.x - K.at<double> ( 0,2 ) ) / K.at<double> ( 0,0 ),
( p.y - K.at<double> ( 1,2 ) ) / K.at<double> ( 1,1 )
);
}
void bundleAdjustment (
const vector< Point3f > points_3d,
const vector< Point2f > points_2d,
const Mat& K,
Mat& R,
Mat& t)
{
// 初始化g2o
typedef g2o::BlockSolver< g2o::BlockSolverTraits<6,3> > Block; // pose 维度为 6, landmark 维度为 3
Block::LinearSolverType* linearSolver = new g2o::LinearSolverCSparse(); // 线性方程求解器
Block* solver_ptr = new Block ( linearSolver ); // 矩阵块求解器
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg ( solver_ptr );
g2o::SparseOptimizer optimizer;
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 <<
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 );
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()
int index = 1;
for ( const Point3f p:points_3d )
{
g2o::VertexSBAPointXYZ* point = new g2o::VertexSBAPointXYZ();
point->setId ( index++ );
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 );
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 );
edge->setVertex ( 0, dynamic_cast ( optimizer.vertex ( index ) ) );
edge->setVertex ( 1, pose );
edge->setMeasurement ( Eigen::Vector2d ( p.x, p.y ) );
edge->setParameterId ( 0,0 );
edge->setInformation ( Eigen::Matrix2d::Identity() );
optimizer.addEdge ( edge );
index++;
}
optimizer.setVerbose ( true );
optimizer.initializeOptimization();
optimizer.optimize ( 100 );
cout<"after optimization:"<cout<<"T="<estimate()).matrix()< 这里说一下，程序最后没有跑通，报错：Process finished with exit code 139 (interrupted by signal 11: SIGSEGV)。瞅着是段错误，逐条添加编译运行，发现到BA函数定义里的：
g2o::VertexSE3Expmap* pose = new g2o::VertexSE3Expmap();
这一句时就会报错，没有的话上方的pnp是能跑出来结果的。
实验了一下，用别的电脑跑没问题，应该是环境配置问题。注释掉BA函数定义和主函数中最后调用BA函数那句，可以运行。
main函数中，主要卡在了这一句：
ushort d = d1.ptr (int ( keypoints_1[m.queryIdx].pt.y )) [ int ( keypoints_1[m.queryIdx].pt.x ) ]; 先看一下这个m的类型:DMatch,是个什么来头：
/*
* Struct for matching: query descriptor index, train descriptor index, train image index and distance between descriptors.
*/
/*
* DMatch主要用来储存匹配信息的结构体，query是要匹配的描述子，train是被匹配的描述子，在Opencv中进行匹配时
* void DescriptorMatcher::match( const Mat& queryDescriptors, const Mat& trainDescriptors, vector& matches, const Mat& mask ) const
* match函数的参数中位置在前面的为query descriptor，后面的是 train descriptor
* 例如：query descriptor的数目为20，train descriptor数目为30，则DescriptorMatcher::match后的vector的size为20
* 若反过来，则vector的size为30
*
*/
struct CV_EXPORTS_W_SIMPLE DMatch
{
//默认构造函数，FLT_MAX是无穷大
//#define FLT_MAX 3.402823466e+38F /* max value */
CV_WRAP DMatch() : queryIdx(-1), trainIdx(-1), imgIdx(-1), distance(FLT_MAX) {}
//DMatch构造函数
CV_WRAP DMatch( int _queryIdx, int _trainIdx, float _distance ) :
queryIdx(_queryIdx), trainIdx(_trainIdx), imgIdx(-1), distance(_distance) {}
//DMatch构造函数
CV_WRAP DMatch( int _queryIdx, int _trainIdx, int _imgIdx, float _distance ) :
queryIdx(_queryIdx), trainIdx(_trainIdx), imgIdx(_imgIdx), distance(_distance) {}
//queryIdx为query描述子的索引，match函数中前面的那个描述子
CV_PROP_RW int queryIdx; // query descriptor index
//trainIdx为train描述子的索引，match函数中后面的那个描述子
CV_PROP_RW int trainIdx; // train descriptor index
//imgIdx为进行匹配图像的索引
//例如已知一幅图像的sift描述子，与其他十幅图像的描述子进行匹配，找最相似的图像，则imgIdx此时就有用了。
CV_PROP_RW int imgIdx; // train image index
//distance为两个描述子之间的距离
CV_PROP_RW float distance;
//DMatch比较运算符重载，比较的是DMatch中的distance，小于为true，否则为false
// less is better
bool operator<( const DMatch &m ) const
{
return distance < m.distance;
}
}; 上面这段是摘抄的。
也就是说，在find_feature_matches函数中有一句：
matcher->match ( descriptors_1, descriptors_2, match_array );（
利用Mat类型的descriptors_1和Mat类型的descriptors_2，计算出一个匹配点数组，这个数组的元素类型是DMatch类型的(也就是main函数中卡的那句里面的m,就是一个DMatch类型的)。这步计算中，数组中的DMatch类型元素，下面有几个信息被记住了。其中就有这个queryIdx，描述子在match_array中的索引，这是一个属性值，在计算时就计算完被存储起来了。
）
2017/10/14回看，这里做一些新的理解：上面括起来一段写的比较乱，当时还不是特别明白。其实很简单的道理：match匹配是两个Descriptors的匹配，匹配完信息中，有queryIdx和trainIdx，queryIdx为这个匹配在前描述子中的索引，trainIdx就为后描述子的索引了。为什么要有索引，因为两个描述子的量可能不一样，所以要对应一下。举个例子就有可能：某个Dmatch是前1配后2配出来的，或者是前100配后105配出来的，所以要用索引定位。
那至于match匹配得到的结果数组中Dmatch的个数，也就是进行match到底我要得到多少个Dmatch呢？这是另外一个问题了跟上面的索引不搭边的。从上面摘抄可看出，那就简单的跟第一张图的描述子个数一样吧，所以这里也看出来，匹配结果中Dmatch个数是跟第二张图中的描述子个数(const Mat& trainDescriptors)没关系的。
继续看，
image1通过detect()得到vector类型的keypoints,再通过compute()得到Mat类型的descriptors,然后，match()得到DMatch类型的数组。
这整个过程中，假设第一步找出了500个keypoints，那么后面，必定会有对应的500个descriptor(只是这些descriptor都是在图上的，所以整一个为Mat类型)，到这里，这500个descriptor最后有多少个DMatch我不知道, 但是我知道的是，每个Dmatch记录下来的queryIdx信息中有它在原来descriptor中的索引，所以取得这个索引就取得了keypoint的索引，然后再用.pt取得坐标值就好了。
matcher->match ( descriptors_1, descriptors_2, match_array );时，就记下来了。
再回头看这一句：
ushort d = d1.ptr (int ( keypoints_1[m.queryIdx].pt.y )) [ int ( keypoints_1[m.queryIdx].pt.x ) ]; m.queryIdx得到这个Dmatch是用第几个descriptor算出来的，也就是descriptors索引，由于descriptors索引一一对应keypoints(因为每个keypoint都会计算出一个descriptor)，所以可以用来寻找对应的keypoint，再利用.pt，求得keypoint的坐标，进而(.y)[.x]定位像素位置，取得像素值，也就是单通道深度图里的深度值。
这其中m.queryIdx索引，跟for ( DMatch m:matches )这句中的m在matches中的索引没点关系，而且是不是基于范围的for循环就没有索引这么一说吧。
也就是说如何获取m在matches数组中的位置？
最后从添加的输出可以看出来，500个keypoint,500个match,m.queryIdx也是分布在0-500中间，而筛选后的matches数组只有79个元素,也就是79对匹配点。