手敲视觉slam14讲 ch7 / pose_estimation_3d2d.cpp （1）
首先理清我们需要实现什么功能，怎么实现，提供一份整体逻辑：包括主函数和功能函数
主函数逻辑：
1. 读图,两张rgb（cv::imread）
2. 找到两张rgb图中的特征点匹配对
2.1定义所需要的参数：keypoints1, keypoints2,matches
2.2 提取每张图像的检测 Oriented FAST 角点位置并匹配筛选（调用功能函数1）
3. 建立3d点（像素坐标到相机坐标）
3.1读出深度图（cv::imread）
3.2取得每个匹配点对的深度
3.2.1 得到第y行,第x个像素的深度值
（ushort d = d1.ptr
3.2.2 去除没有深度的点
3.2.3 转到相机坐标系（调用功能函数2）
4. 调用epnp求解（input：3d点，2d点对，内参，是否去畸变，求解方式）
4.1求解（cv::solvePnP）
4.2 求解结果为向量，需要转成矩阵（cv::Rodrigues）
int main( int agrc, char** agrv) {
// 1. 读图（两张rgb）
Mat image1 = imread(agrv[1] , CV_LOAD_IMAGE_COLOR );
Mat image2 = imread(agrv[2] , CV_LOAD_IMAGE_COLOR );
assert(image1.data && image2.data && "Can not load images!");
// 2. 找到两张rgb图中的特征点匹配对
// 2.1定义keypoints1, keypoints2,matches
std::vectorkeypoints1,keypoints2;
std::vectormatches;
// 2.2 提取每张图像的检测 Oriented FAST 角点位置并匹配筛选
Featurematcher(image1,image2, keypoints1,keypoints2,matches);
// 3. 建立3d点（像素坐标到相机坐标）
Mat K = (Mat_(3, 3) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1);//内参
vector pts_3d;
vector pts_2d;
//3.1读出深度图
Mat d1 =imread(agrv[3],CV_LOAD_IMAGE_UNCHANGED);
//3.2取得每个匹配点对的深度(ushort d = d1.ptr (row)[column];就是指向d1的第row行的第column个数据。数据类型为无符号的短整型 )
for (DMatch m: matches)
{
//3.2.1 得到第y行,第x个位置的像素的深度值
ushort d = d1.ptr(int (keypoints1[m.queryIdx].pt.y)) [int(keypoints1[m.queryIdx].pt.x)];
// 3.2.2 去除没有深度的点
if(d==0){
continue;
}
float dd=d/5000.0 ;
//3.2.3 转到相机坐标系
Point2d p1 = pixtocam(keypoints1[m.queryIdx].pt , K);
pts_3d.push_back(Point3f(p1.x*dd,p1.y*dd,dd));
pts_2d.push_back(keypoints2[m.trainIdx].pt);
}
cout << "3d-2d pairs: " << pts_3d.size() << endl;
// 4. 调用epnp求解（input：3d点，2d点对，内参，false，求解方式）
// solvePnP( InputArray objectPoints, InputArray imagePoints, InputArray cameraMatrix, InputArray distCoeffs, OutputArray rvec, OutputArray tvec, bool useExtrinsicGuess = false, int flags = SOLVEPNP_ITERATIVE );
Mat r,t;
// 4.1求解
solvePnP(pts_3d,pts_2d,K,Mat(), r,t,false,SOLVEPNP_EPNP);
// 4.2 求解结果为向量，需要转成矩阵
Mat R;
cv::Rodrigues(r,R);
cout<<"R="< 功能函数1： Featurematcher
实现过程在前几篇中已经详细说明：视觉slam14讲 逐行解析代码 ch7 / orb_cv.cpp
2.2.1初始化存储特征点数据的变量
2.2.2 提取每张图像的检测 Oriented FAST 角点位置
2.2.3 计算图像角点的BRIEF描述子
2.2.4 根据刚刚计算好的BRIEF描述子，对两张图的角点进行匹配
2.2.5 匹配点对筛选计算最小距离和最大距离
2.2.6 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.
void Featurematcher( const Mat &image1, const Mat &image2, std::vector&keypoints1, std::vector &keypoints2, std::vector &matches){
// 2.2.1初始化存储特征点数据的变量
Mat descr1, descr2;
Ptr detector = ORB::create();
Ptr descriptor = ORB::create();
Ptr matcher = DescriptorMatcher::create("BruteForce-Hamming");
// 2.2.2 提取每张图像的检测 Oriented FAST 角点位置
detector->detect(image1, keypoints1);
detector->detect(image2, keypoints2);
// 2.2.3 计算图像角点的BRIEF描述子
descriptor->compute(image1, keypoints1, descr1);
descriptor->compute(image2, keypoints2, descr2);
// 2.2.4 根据刚刚计算好的BRIEF描述子，对两张图的角点进行匹配
std::vector match;
matcher->match(descr1, descr2, match);
Mat img_match;
drawMatches(image1, keypoints1, image2, keypoints2, match, img_match);
imshow("all matches", img_match);
waitKey(0);
// 2.2.5 匹配点对筛选计算最小距离和最大距离
double min_dis = 10000, max_dis = 0;
// 2.2.5.1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 < descr1.rows; i++)
{
double dist = match[i].distance;
if (dist < min_dis)
min_dis = dist;
if (dist > max_dis)
max_dis = dist;
}
cout<<"max_dis="<, 即
所以 
, 
Point2d pixtocam(const Point2d &p , const Mat &K){
return Point2d(
// X=(u-cx)/fx
(p.x - K.at(0,2)) / K.at(0,0) ,
// Y=(v-cy)/fy
(p.y-K.at(1,2)) / K.at(1,1)
);
}
最后匹配效果及位姿结果：
allmatch：
goodmatch：
位姿输出：R，T：