ORB-SLAM2学习笔记——epnp求解(代码好长阿)

2023-11-24 07:10

本文主要是介绍ORB-SLAM2学习笔记——epnp求解(代码好长阿),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

epnp求解

1、理论部分在这里插入图片描述在这里插入图片描述在这里插入图片描述

2、代码部分(作者牛pi)

//对pnp求解后值进行保存
PnPsolver::PnPsolver(const Frame &F, const vector<MapPoint*> &vpMapPointMatches):pws(0), us(0), alphas(0), pcs(0), maximum_number_of_correspondences(0), number_of_correspondences(0), mnInliersi(0),mnIterations(0), mnBestInliers(0), N(0)
{mvpMapPointMatches = vpMapPointMatches;mvP2D.reserve(F.mvpMapPoints.size());mvSigma2.reserve(F.mvpMapPoints.size());mvP3Dw.reserve(F.mvpMapPoints.size());mvKeyPointIndices.reserve(F.mvpMapPoints.size());mvAllIndices.reserve(F.mvpMapPoints.size());int idx=0;//遍历所有匹配点for(size_t i=0, iend=vpMapPointMatches.size(); i<iend; i++){//提取匹配信息MapPoint* pMP = vpMapPointMatches[i];//存在匹配if(pMP){//匹配为好的(内点之间的匹配就是好的)if(!pMP->isBad()){//提取关键点const cv::KeyPoint &kp = F.mvKeysUn[i];//对应的像素存入mvp2D中mvP2D.push_back(kp.pt);//mvSigma2.push_back(F.mvLevelSigma2[kp.octave]);//得到与世界坐标中的位姿关系cv::Mat Pos = pMP->GetWorldPos();//导入世界坐标到mvP3D中mvP3Dw.push_back(cv::Point3f(Pos.at<float>(0),Pos.at<float>(1), Pos.at<float>(2)));//导入关键点编号mvKeyPointIndices.push_back(i);//导入2d点的编号// mvAllIndices为所有参与PnP的2D点的索引mvAllIndices.push_back(idx);               idx++;}}}// Set camera calibration parameters//相机外参fu = F.fx;fv = F.fy;uc = F.cx;vc = F.cy;SetRansacParameters();
}
//计算完成,释放内存
PnPsolver::~PnPsolver()
{delete [] pws;delete [] us;delete [] alphas;delete [] pcs;
}//概率 最小内点数量 最大迭代次数 最小置位 系数(用于计算最小内点) 阈值
void PnPsolver::SetRansacParameters(double probability, int minInliers, int maxIterations, int minSet, float epsilon, float th2)
{mRansacProb = probability;mRansacMinInliers = minInliers;mRansacMaxIts = maxIterations;mRansacEpsilon = epsilon;mRansacMinSet = minSet;//匹配点的数量N = mvP2D.size(); // number of correspondences//标志位(布尔类型)mvbInliersi.resize(N);// Adjust Parameters according to number of correspondences//根据相关点的数量进行调整参数//初始化最小内点数量int nMinInliers = N*mRansacEpsilon;//更新内点数if(nMinInliers<mRansacMinInliers)nMinInliers=mRansacMinInliers;//内点数过少会被重置if(nMinInliers<minSet)nMinInliers=minSet;mRansacMinInliers = nMinInliers;//更新系数 mRansacMinInliers > nMinInliers//传入的内点比我们要求的多if(mRansacEpsilon<(float)mRansacMinInliers/N)mRansacEpsilon=(float)mRansacMinInliers/N;// Set RANSAC iterations according to probability, epsilon, and max iterations//根据各个参数调整迭代次数int nIterations;//内点数等于匹配点数 迭代一次就行if(mRansacMinInliers==N)nIterations=1;else//ceil:大于或等于的最小整数 pow(x, y) x的y次方nIterations = ceil(log(1-mRansacProb)/log(1-pow(mRansacEpsilon,3)));//mRansacMaxIts = max(1,min(nIterations,mRansacMaxIts));//最大误差mvMaxError.resize(mvSigma2.size());//给允许的最大误差赋值for(size_t i=0; i<mvSigma2.size(); i++)mvMaxError[i] = mvSigma2[i]*th2;
}
//
cv::Mat PnPsolver::find(vector<bool> &vbInliers, int &nInliers)
{bool bFlag;//iterate(最大迭代次数, 标志位, 内点标志位, 内点数量)return iterate(mRansacMaxIts,bFlag,vbInliers,nInliers);    
}
//iterate(迭代次数, 标志位(是否要迭代),(内点标志位), (内点数量) )
cv::Mat PnPsolver::iterate(int nIterations, bool &bNoMore, vector<bool> &vbInliers, int &nInliers)
{//初始化bNoMore = false;vbInliers.clear();nInliers=0;//set_maximum_number_of_correspondences(mRansacMinSet);//匹配点小于内点 结束迭代if(N<mRansacMinInliers){bNoMore = true;return cv::Mat();}// mvAllIndices为所有参与PnP的2D点的索引// vAvailableIndices为每次从mvAllIndices中随机挑选mRansacMinSet组3D-2D对应点进行一次RANSACvector<size_t> vAvailableIndices;//当前迭代次数int nCurrentIterations = 0;//迭代次数小于最大迭代次数, 当前迭代次数小于要求次数 继续迭代while(mnIterations<mRansacMaxIts || nCurrentIterations<nIterations){nCurrentIterations++;mnIterations++;//重置相关性reset_correspondences();//把序号存好vAvailableIndices = mvAllIndices;// Get min set of pointsfor(short i = 0; i < mRansacMinSet; ++i){int randi = DUtils::Random::RandomInt(0, vAvailableIndices.size()-1);int idx = vAvailableIndices[randi];add_correspondence(mvP3Dw[idx].x,mvP3Dw[idx].y,mvP3Dw[idx].z,mvP2D[idx].x,mvP2D[idx].y);vAvailableIndices[randi] = vAvailableIndices.back();vAvailableIndices.pop_back();}//计算位姿// Compute camera posecompute_pose(mRi, mti);//检查内点// Check inliersCheckInliers();//当前内点数目 >= 要求的最小内点数目(根据匹配点数决定的)if(mnInliersi>=mRansacMinInliers){// If it is the best solution so far, save it//如果比最优内点数目还多if(mnInliersi>mnBestInliers){ //替换最优点//内点布尔类型mvbBestInliers = mvbInliersi;//数量mnBestInliers = mnInliersi;//定义 旋转矩阵 平移向量 还有 T cv::Mat Rcw(3,3,CV_64F,mRi);cv::Mat tcw(3,1,CV_64F,mti);Rcw.convertTo(Rcw,CV_32F);tcw.convertTo(tcw,CV_32F);mBestTcw = cv::Mat::eye(4,4,CV_32F);Rcw.copyTo(mBestTcw.rowRange(0,3).colRange(0,3));tcw.copyTo(mBestTcw.rowRange(0,3).col(3));}//if(Refine()){nInliers = mnRefinedInliers;//所有标志位置于falsevbInliers = vector<bool>(mvpMapPointMatches.size(),false);//遍历所有点 如果为重新定义的点 标志位truefor(int i=0; i<N; i++){if(mvbRefinedInliers[i])vbInliers[mvKeyPointIndices[i]] = true;}//得到T return mRefinedTcw.clone();}}}//当前迭代次数大于要求最大迭代次数if(mnIterations>=mRansacMaxIts){   bNoMore=true;//内殿不够if(mnBestInliers>=mRansacMinInliers){//最好内点数替换当前内点数nInliers=mnBestInliers;//当前内点标识 falsevbInliers = vector<bool>(mvpMapPointMatches.size(),false);//遍历所有最好内殿 标志为truefor(int i=0; i<N; i++){if(mvbBestInliers[i])vbInliers[mvKeyPointIndices[i]] = true;}//返回 Treturn mBestTcw.clone();}}return cv::Mat();
}bool PnPsolver::Refine()
{vector<int> vIndices;vIndices.reserve(mvbBestInliers.size());for(size_t i=0; i<mvbBestInliers.size(); i++){if(mvbBestInliers[i]){vIndices.push_back(i);}}set_maximum_number_of_correspondences(vIndices.size());reset_correspondences();for(size_t i=0; i<vIndices.size(); i++){int idx = vIndices[i];add_correspondence(mvP3Dw[idx].x,mvP3Dw[idx].y,mvP3Dw[idx].z,mvP2D[idx].x,mvP2D[idx].y);}// Compute camera posecompute_pose(mRi, mti);// Check inliersCheckInliers();mnRefinedInliers =mnInliersi;mvbRefinedInliers = mvbInliersi;if(mnInliersi>mRansacMinInliers){cv::Mat Rcw(3,3,CV_64F,mRi);cv::Mat tcw(3,1,CV_64F,mti);Rcw.convertTo(Rcw,CV_32F);tcw.convertTo(tcw,CV_32F);mRefinedTcw = cv::Mat::eye(4,4,CV_32F);Rcw.copyTo(mRefinedTcw.rowRange(0,3).colRange(0,3));tcw.copyTo(mRefinedTcw.rowRange(0,3).col(3));return true;}return false;
}//检查内点是否合格  用误差检查
void PnPsolver::CheckInliers()
{mnInliersi=0;for(int i=0; i<N; i++){cv::Point3f P3Dw = mvP3Dw[i];cv::Point2f P2D = mvP2D[i];//求相机平面坐标float Xc = mRi[0][0]*P3Dw.x+mRi[0][1]*P3Dw.y+mRi[0][2]*P3Dw.z+mti[0];float Yc = mRi[1][0]*P3Dw.x+mRi[1][1]*P3Dw.y+mRi[1][2]*P3Dw.z+mti[1];float invZc = 1/(mRi[2][0]*P3Dw.x+mRi[2][1]*P3Dw.y+mRi[2][2]*P3Dw.z+mti[2]);//求像素坐标double ue = uc + fu * Xc * invZc;double ve = vc + fv * Yc * invZc;//求误差float distX = P2D.x-ue;float distY = P2D.y-ve;float error2 = distX*distX+distY*distY;//误差小于要求最大误差if(error2<mvMaxError[i]){//当前的内点为好点mvbInliersi[i]=true;mnInliersi++;}//否则判定为坏点else{mvbInliersi[i]=false;}}
}//给一些相关系数赋值
// number_of_correspondences为RANSAC每次PnP求解时时3D点和2D点匹配对数
// RANSAC需要很多次,maximum_number_of_correspondences为匹配对数最大值
// 这个变量用于决定pws us alphas pcs容器的大小,因此只能逐渐变大不能减小void PnPsolver::set_maximum_number_of_correspondences(int n)
{//如果maximum_number_of_correspondences之前设置的过小,则重新设置,并重新初始化pws us alphas pcs的大小if (maximum_number_of_correspondences < n) {if (pws != 0) delete [] pws;if (us != 0) delete [] us;if (alphas != 0) delete [] alphas;if (pcs != 0) delete [] pcs;maximum_number_of_correspondences = n;pws = new double[3 * maximum_number_of_correspondences];us = new double[2 * maximum_number_of_correspondences];alphas = new double[4 * maximum_number_of_correspondences];pcs = new double[3 * maximum_number_of_correspondences];}
}
//重置匹配点的数目
void PnPsolver::reset_correspondences(void)
{number_of_correspondences = 0;
}
//添加匹配点对参数进行修改
void PnPsolver::add_correspondence(double X, double Y, double Z, double u, double v)
{pws[3 * number_of_correspondences    ] = X;pws[3 * number_of_correspondences + 1] = Y;pws[3 * number_of_correspondences + 2] = Z;us[2 * number_of_correspondences    ] = u;us[2 * number_of_correspondences + 1] = v;number_of_correspondences++;
}
//筛选控制点
void PnPsolver::choose_control_points(void)
{// Take C0 as the reference points centroid:// 步骤1:第一个控制点:参与PnP计算的参考3D点的几何中心cws[0][0] = cws[0][1] = cws[0][2] = 0;//求所有参考帧3D点的坐标的和for(int i = 0; i < number_of_correspondences; i++)for(int j = 0; j < 3; j++)cws[0][j] += pws[3 * i + j];//求3D点的几何中心for(int j = 0; j < 3; j++)cws[0][j] /= number_of_correspondences;// Take C1, C2, and C3 from PCA on the reference points:// 步骤2:计算其它三个控制点,C1, C2, C3通过PCA分解得到// 将所有的3D参考点写成矩阵,(number_of_correspondences * 3)的矩阵CvMat * PW0 = cvCreateMat(number_of_correspondences, 3, CV_64F);//double pw0tpw0[3 * 3], dc[3], uct[3 * 3];CvMat PW0tPW0 = cvMat(3, 3, CV_64F, pw0tpw0);CvMat DC      = cvMat(3, 1, CV_64F, dc);CvMat UCt     = cvMat(3, 3, CV_64F, uct);// 步骤2.1:将存在pws中的参考3D点减去第一个控制点的坐标(相当于把第一个控制点作为原点), 并存入PW0for(int i = 0; i < number_of_correspondences; i++)for(int j = 0; j < 3; j++)PW0->data.db[3 * i + j] = pws[3 * i + j] - cws[0][j];// 步骤2.2:利用SVD分解P'P可以获得P的主分量// 类似于齐次线性最小二乘求解的过程,// PW0的转置乘以PW0cvMulTransposed(PW0, &PW0tPW0, 1);//PW0的转置乘以PW0进行SVD分解cvSVD(&PW0tPW0, &DC, &UCt, 0, CV_SVD_MODIFY_A | CV_SVD_U_T);cvReleaseMat(&PW0);// 步骤2.3:得到C1, C2, C3三个3D控制点,最后加上之前减掉的第一个控制点这个偏移量for(int i = 1; i < 4; i++) {double k = sqrt(dc[i - 1] / number_of_correspondences);for(int j = 0; j < 3; j++)cws[i][j] = cws[0][j] + k * uct[3 * (i - 1) + j];}
}//得到四个控制点// 求解四个控制点的系数alphas
// (a2 a3 a4)' = inverse(cws2-cws1 cws3-cws1 cws4-cws1)*(pws-cws1),a1 = 1-a2-a3-a4
// 每一个3D控制点,都有一组alphas与之对应
// cws1 cws2 cws3 cws4为四个控制点的坐标
// pws为3D参考点的坐标
void PnPsolver::compute_barycentric_coordinates(void)
{double cc[3 * 3], cc_inv[3 * 3];CvMat CC     = cvMat(3, 3, CV_64F, cc);CvMat CC_inv = cvMat(3, 3, CV_64F, cc_inv);for(int i = 0; i < 3; i++)for(int j = 1; j < 4; j++)cc[3 * i + j - 1] = cws[j][i] - cws[0][i];cvInvert(&CC, &CC_inv, CV_SVD);double * ci = cc_inv;for(int i = 0; i < number_of_correspondences; i++) {double * pi = pws + 3 * i;double * a = alphas + 4 * i;for(int j = 0; j < 3; j++)a[1 + j] =ci[3 * j    ] * (pi[0] - cws[0][0]) +ci[3 * j + 1] * (pi[1] - cws[0][1]) +ci[3 * j + 2] * (pi[2] - cws[0][2]);a[0] = 1.0f - a[1] - a[2] - a[3];}
}

这篇关于ORB-SLAM2学习笔记——epnp求解(代码好长阿)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/421488

相关文章

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

java之Objects.nonNull用法代码解读

《java之Objects.nonNull用法代码解读》:本文主要介绍java之Objects.nonNull用法代码,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐... 目录Java之Objects.nonwww.chinasem.cnNull用法代码Objects.nonN

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时