slam學習之——stereoVision.cpp實踐

在學習高博的slam時，用的是slambook2-master這個新倉庫，在ch5/stereo這個工程運行時，做了一些更改；

 

工程包括如下內容（其中build是自己創建的）

 根據安裝依賴庫的路徑，對CMakeLists.txt做了些更改，更改後的內容如下：

find_package(Pangolin REQUIRED)

find_package(OpenCV 3.0 REQUIRED)      # add by csq，由於我裝了好幾個版本的，所以這裏指定個高版本的
include_directories(${OpenCV_INCLUDE_DIRS})  #add by csq
#添加Eigen頭文件
include_directories("/usr/include/eigen3")   #add by csq ，根據你的安裝路徑來選擇
set(CMAKE_CXX_FLAGS "-std=c++11")

add_executable(stereoVision stereoVision.cpp)
target_link_libraries(stereoVision ${OpenCV_LIBS} ${Pangolin_LIBRARIES})

stereoVision.cpp的代碼分析如下：

#include <opencv2/opencv.hpp>
#include <vector>
#include <string>
#include <Eigen/Core>
#include <pangolin/pangolin.h>
#include <unistd.h>  
//unistd.h爲Linux/Unix系統中內置頭文件，包含了許多系統服務的函數原型，例如read函數、write函數和getpid函數等。其作用相當於windows操作系統的"windows.h"，是操作系統爲用戶提供的統一API接口，方便調用系統提供的一些服務。

using namespace std;
using namespace Eigen;

// 文件路徑
string left_file = "./left.png";
string right_file = "./right.png";

// 在pangolin中畫圖，已寫好，無需調整，定義繪製點雲的函數，需要傳入4維向量構成的點雲集
void showPointCloud(
    const vector<Vector4d, Eigen::aligned_allocator<Vector4d>> &pointcloud);

int main(int argc, char **argv) {

    // 內參
    double fx = 718.856, fy = 718.856, cx = 607.1928, cy = 185.2157;
    // 基線 （就是兩個相機光軸間的距離，單位是m）
    double b = 0.573;

    // 讀取圖像（以灰度圖形式）
    cv::Mat left = cv::imread(left_file, 0);
    cv::Mat right = cv::imread(right_file, 0);
    cv::Ptr<cv::StereoSGBM> sgbm = cv::StereoSGBM::create(  //SGBM是立體匹配算法中的半全局塊匹配，得到的視差圖相比於BM算法來說，減少了很多不準確的匹配點，尤其是在深度不連續區域，速度上SGBM要慢於BM算法；
        0, 96, 9, 8 * 9 * 9, 32 * 9 * 9, 1, 63, 10, 100, 32);    // 神奇的參數
    cv::Mat disparity_sgbm, disparity;
    sgbm->compute(left, right, disparity_sgbm); //由左右視圖按照SGBM匹配方式計算得到視差圖
    disparity_sgbm.convertTo(disparity, CV_32F, 1.0 / 16.0f); //將16位符號整形的視差Mat轉換爲32位浮點型Mat

    //生成點雲
    vector<Vector4d, Eigen::aligned_allocator<Vector4d>> pointcloud;  //定義4維形式的點雲向量容器

    // 如果你的機器慢，請把後面的v++和u++改成v+=2, u+=2
    for (int v = 0; v < left.rows; v++)  //遍歷左視圖
        for (int u = 0; u < left.cols; u++) {
            if (disparity.at<float>(v, u) <= 0.0 || disparity.at<float>(v, u) >= 96.0) continue;

            Vector4d point(0, 0, 0, left.at<uchar>(v, u) / 255.0); // 前3維爲xyz，第4維爲歸一化後的強度值

            // 根據雙目模型計算point的位置，計算的是左視圖點的相機位置
            double x = (u - cx) / fx;    //該公式計算的是歸一化在相機Zc=1平面的相機座標
            double y = (v - cy) / fy;
            double depth = fx * b / (disparity.at<float>(v, u));  //由視差，雙目的基計算像素點對應的實際距離（深度信息）
            point[0] = x * depth;  //由深度信息獲取真實相機座標系下的Xc
            point[1] = y * depth;  //由深度信息獲取真實相機座標系下的Yc
            point[2] = depth;      //相機座標系下的Zc

            pointcloud.push_back(point);    //獲得的是相機座標系下的點雲位置
        }

    cv::imshow("disparity", disparity / 96.0);   //把視差值限定在0-96
    cv::waitKey(0);
    // 畫出點雲
    showPointCloud(pointcloud);
    return 0;
}

void showPointCloud(const vector<Vector4d, Eigen::aligned_allocator<Vector4d>> &pointcloud) {

    if (pointcloud.empty()) {   //確保點雲容器非空
        cerr << "Point cloud is empty!" << endl;
        return;
    }

    pangolin::CreateWindowAndBind("Point Cloud Viewer", 1024, 768);
    glEnable(GL_DEPTH_TEST);
    glEnable(GL_BLEND);
    glBlendFunc(GL_SRC_ALPHA, GL_ONE_MINUS_SRC_ALPHA);

    pangolin::OpenGlRenderState s_cam(
        pangolin::ProjectionMatrix(1024, 768, 500, 500, 512, 389, 0.1, 1000),  //相機參數
        pangolin::ModelViewLookAt(0, -0.1, -1.8, 0, 0, 0, 0.0, -1.0, 0.0) //觀測視角
    );

    pangolin::View &d_cam = pangolin::CreateDisplay()
        .SetBounds(0.0, 1.0, pangolin::Attach::Pix(175), 1.0, -1024.0f / 768.0f) 
        .SetHandler(new pangolin::Handler3D(s_cam));  

    while (pangolin::ShouldQuit() == false) {
        glClear(GL_COLOR_BUFFER_BIT | GL_DEPTH_BUFFER_BIT);

        d_cam.Activate(s_cam);
        glClearColor(1.0f, 1.0f, 1.0f, 1.0f);

        glPointSize(2);
        glBegin(GL_POINTS);
        for (auto &p: pointcloud) {
            glColor3f(p[3], p[3], p[3]);   //點的顏色
            glVertex3d(p[0], p[1], p[2]);  //點的相機座標
        }
        glEnd();
        pangolin::FinishFrame();
        usleep(5000);   // sleep 5 ms
    }
    return;
}

其中stereoSGBM的函數和參數說明如下：

static Ptr<StereoSGBM> cv::StereoSGBM::create   (int    minDisparity = 0,
int     numDisparities = 16,
int     blockSize = 3,
int     P1 = 0,
int     P2 = 0,
int     disp12MaxDiff = 0,
int     preFilterCap = 0,
int     uniquenessRatio = 0,
int     speckleWindowSize = 0,
int     speckleRange = 0,
int     mode = StereoSGBM::MODE_SGBM 
)       

• minDisparity：最小的視差值。
• numDisparity：視差範圍，即最大視差值和最小視差值之差，必須是16的倍數。
• blockSize：匹配塊大小（SADWindowSize），必須是大於等於1的奇數，一般爲3~11 。
• P1，P2：懲罰係數，一般：P1=8*通道數*SADWindowSize*SADWindowSize，P2=4*P1
• disp12MaxDiff ：左右視差圖的最大容許差異（超過將被清零），默認爲 -1，即不執行左右視差檢查。
• preFilterCap：預濾波圖像像素的截斷值。該算法首先計算每個像素的x導數，並通過[-preFilterCap，preFilterCap]間隔剪切其值。結果值被傳遞給Birchfield-Tomasi像素成本函數。
• uniquenessRatio：視差唯一性百分比， 視差窗口範圍內最低代價是次低代價的(1 + uniquenessRatio/100)倍時，最低代價對應的視差值纔是該像素點的視差，否則該像素點的視差爲 0，通常爲5~15.
• speckleRange：視差變化閾值。
• mode：模式

 

實踐運行步驟如下，

#終端切到工程目錄下
cd /home/chensq/Downloads/slambook2-master/ch5/stereo

#創建build並cd
mkdir build
cd build

#編譯
cmake ..
make

在build中生成了個stereoVision的執行文件，將左右圖像拷貝進來做測試 

 

原圖如下：

運行

./stereoVision 

測試結果如下：

視差圖結果

 點雲圖如下

參考：

半全局塊匹配（Semi-Global Block Matching）算法