视觉slam十四讲 C++学习（三）

环境配置

1、安装G2O

解压缩.tar.gz格式文件

tar -zxvf 文件名.tar.gz

在文件夹内新建build并编译

mkdir build
cd build
cmake ..
make

2、安装Sophus

解压缩、编译同g2o
安装Sophus在make出错

代码编译

同上述编译方法编译ch7中的代码
运行编译出的可执行文件

./build/orb_cv 1.png 2.png 

  //-- 读取图像
  Mat img_1 = imread(argv[1], CV_LOAD_IMAGE_COLOR);
  Mat img_2 = imread(argv[2], CV_LOAD_IMAGE_COLOR);
  //如果表达式为假（即结果为 0），assert 会触发程序终止，并输出一条错误消息
  //图像以一维数组形式存储 ;data(uchar*)成员就是指向图像数据的第一个字节
  assert(img_1.data != nullptr && img_2.data != nullptr);

//-- 初始化
  /* 
  vector是表示可以改变大小的数组的序列容器,
          可以使用指向其元素的常规指针上的偏移量来访问它们的元素,
          与arrays不同，它们的大小可以动态变化，容器会自动处理它们的存储。
  KeyPoint 是OpenCV库中定义的一个类，通常用于表示图像中的关键点
  */ 
  std::vector<KeyPoint> keypoints_1, keypoints_2;
  // 定义两个稠密矩阵用于存储描述子
  Mat descriptors_1, descriptors_2;
  //指向FeatureDetector的智能指针detector
  Ptr<FeatureDetector> detector = ORB::create();
  Ptr<DescriptorExtractor> descriptor = ORB::create();
  Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");  //选择了 Brute-Force 匹配器

//-- 第一步:检测 Oriented FAST 角点位置
  chrono::steady_clock::time_point t1 = chrono::steady_clock::now(); //计录当前时间
  detector->detect(img_1, keypoints_1);  //执行第一次特征检测，将检测点存在keypoints_1
  detector->detect(img_2, keypoints_2);

//-- 第二步:根据角点位置计算 BRIEF 描述子
  //compute用于计算给定关键点集合的描述子，并存在descriptors_1中
  descriptor->compute(img_1, keypoints_1, descriptors_1);
  descriptor->compute(img_2, keypoints_2, descriptors_2);
  chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
  chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "extract ORB cost = " << time_used.count() << " seconds. " << endl;

  Mat outimg1;
  /*
  cv2.drawKeypoints(image, keypoints, outImage, color=None, flags=None)
  image：原始图像
  keypoints：特征点向量，向量内每一个元素是一个KeyPoint对象，包含了特征点的各种属性信息
  outImage：特征点绘制的画布图像
  color=None：绘制的特征点的颜色信息
       Scalar::all表示Scalar 类的一个成员函数，用于创建一个所有通道值都相同的 Scalar 对象
  */
  drawKeypoints(img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
  imshow("ORB features", outimg1);

//-- 第三步:对两幅图像中的BRIEF描述子进行匹配，使用 Hamming 距离
  vector<DMatch> matches;
  t1 = chrono::steady_clock::now();
  matcher->match(descriptors_1, descriptors_2, matches);
  t2 = chrono::steady_clock::now();
  time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "match ORB cost = " << time_used.count() << " seconds. " << endl;

  //-- 第四步:匹配点对筛选
  // 计算最小距离和最大距离
  //matches.begin(), matches.end()定义了要查找的范围

  auto min_max = minmax_element(matches.begin(), matches.end(),
                                [](const DMatch &m1, const DMatch &m2) { return m1.distance < m2.distance; });
  double min_dist = min_max.first->distance;
  double max_dist = min_max.second->distance;

  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.
  std::vector<DMatch> good_matches;
  for (int i = 0; i < descriptors_1.rows; i++) {
    if (matches[i].distance <= max(2 * min_dist, 30.0)) {
      good_matches.push_back(matches[i]);
    }
  }

未完待续