TUM数据集转为ElasticFusion的数据集格式.klg

一、TUM数据集转为klg格式并运行ElasticFusion

1、下载TUM数据集
下载地址：https://cvg.cit.tum.de/data/datasets/rgbd-dataset/download
TUM数据集一共用了三个机器人，记成fr1, fr2, fr3。这三台相机的参数在这里： http://vision.in.tum.de/data/datasets/rgbd-dataset/file_formats#intrinsic_camera_calibration_of_the_kinect
我下载的是’freiburg3_teddy’，所包含的文件如下：
说明：
（1） rgb/ 和 depth/目录存放着采集到的 png 格式图像文件。彩色图像为八位三通道,深度图为 16 位单通道图像。图像以时间戳命名。
（2） rgb.txt 和 depth.txt 记录了各文件的采集时间和对应的文件名。
（3） groundtruth.txt 为外部运动捕捉系统采集到的相机位姿,格式为(time, t x , t y , t z , q x , q y , q z , q w ),各个数据分别是：时间(time)，位置（x,y,z），姿态四元数（qx, qy, qz, qw）。
可以画个图来看看里面的内容：
创建一个draw_groundtruth.py文件，然后将下面的代码复制进去。

#!/usr/bin/env python
# coding=utf-8import numpy as np
import matplotlib.pyplot as plt
import mpl_toolkits.mplot3df = open("./groundtruth.txt")
x = []
y = []
z = []
for line in f:if line[0] == '#':continuedata = line.split()x.append( float(data[1] ) )y.append( float(data[2] ) )z.append( float(data[3] ) )
ax = plt.subplot( 111, projection='3d')
ax.plot(x,y,z)
plt.show()

在终端运行：

python3 draw_groundtruth.py

看到轨迹图：

2、TUM数据集转为klg格式的代码地址：https://github.com/HTLife/png_to_klg
将代码下载下来：

git clone https://github.com/HTLife/png_to_klg.git

3、彩色图、深度图和标准轨迹的采集都是独立的,轨迹的采集频率比图像高很多。在使用数据之前,需要根据采集时间,对数据进行一次时间上的对齐,以便对彩色图和深度图进行配对。原则上,我们可以把采集时间相近于一个阈值的数据,看成是一对图像。并把相近时间的位姿,看作是该图像的真实采集位置。

将png_to_klg中的associate.py文件，复制到TUM数据集下，然后执行代码：

./associate.py depth.txt rgb.txt  > associations.txt

就完成了深度图和rgb图像的一一对应。
注意：如果你是python3，则会因为python版本高而报这样的错：AttributeError: ‘dict_keys’ object has no attribute ‘remove’
解决方法，将下面两行代码：

first_keys = first_list.keys()
second_keys = second_list.keys()

修改为：

first_keys = list(first_list)
second_keys = list(second_list)

4、编译png_to_klg文件

cd png_to_klg
mkdir build && cd build
cmake ..
make 

5、将TUM数据集转换为.klg格式

编译好后进入png_to_klg的build下，在终端执行下行代码：

./pngtoklg -w '/数据集存储路径/' -o '/生成的.klg文件存储路径/xxx.klg' -t #生成.klg文件

即可生成.klg文件。
6、运行ElasticFusion
进入ElasticFusion的build文件夹下，运行下行代码：

./ElasticFusion -l (此处填写生成的.klg文件的路径) 

显示结果：

执行结束后会在.klg所在的文件夹下生成xxx.klg.freiburg文件，即就是ElasticFusion估计的相机位姿，之后就可以使用TUM提供的工具了，比如evaluate_ate.py。

其他：因为外部那个运动捕捉装置的记录频率比较高，得到的轨迹点也比图像密集很多，所以查找每个图像的真实位置，可以同样用对齐的方式来匹配associations.txt和groundtruth.txt中的时间信息：

python associate.py associations.txt groundtruth.txt > associate_with_groundtruth.txt

这时，我们的新文件 associations_with_groundtruth.txt 中就含有每个帧的位姿信息了。

二、误差评测

（待完成）