c++学习【12】已知3D点求解相机运动

已知2D-2D的匹配点，通过对极几何方法使用八点法求得本质矩阵，进而求解相机运动。特征点的3D位置可以在此之后通过三角化得到。或者由RGB-D相机确定。在使用双目或者RGB-D的视觉里程计中，可以直接使用3D到2D的方法。

  for (DMatch m:matches) {
    ushort d = d1.ptr<unsigned short>(int([m.queryIdx].pt.y))[int(keypoints_1[m.queryIdx].pt.x)];
    if (d == 0)   // bad depth
      continue;
    float dd = d / 5000.0;
    Point2d p1 = pixel2cam(keypoints_1[m.queryIdx].pt, K);
    pts_3d.push_back(Point3f(p1.x * dd, p1.y * dd, dd));
    pts_2d.push_back(keypoints_2[m.trainIdx].pt);
  }

cv的KeyPoint和DMatch数据类型
KeyPoint是一个类，用于表示在图像上的特征点。它包含以下属性：

• pt：关键点的坐标（x，y）
• size：关键点的尺度
• angle：关键点的方向
• response：关键点的响应值
• octave：关键点所在的金字塔层级
• class_id：可以用于区分不同的特征集的ID

DMatch是一个类，用于表示两幅图像之间的特征匹配。它包含以下属性：

• queryIdx：查询图像中关键点的索引
• trainIdx：训练图像中关键点的索引
• distance：两个特征点之间的距离
• imgIdx：当使用多个图像进行匹配时，用于标识匹配点属于哪个图像

这个for循环的意思是遍历matches中的所有匹配点（DMatch）。在每次循环中，变量m会依次代表matches中的一个匹配点。在循环体内，你可以根据具体需求进行匹配点的处理，比如根据距离筛选匹配点，计算匹配点的相似性得分等。

for (DMatch m : matches) {

    // 处理每个匹配点

    // 可以使用m.queryIdx和m.trainIdx分别获取查询图像和训练图像中的关键点索引

    // 可以使用m.distance获取两个特征点之间的距离

    // 其他操作...

}

keypoints_1[m.queryIdx]：keypoints_1是一个特征点（关键点）的向量，m.queryIdx是一个匹配点的索引，这个语句的作用是通过索引获取对应的关键点。
keypoints_1[m.queryIdx].pt：pt是KeyPoint结构体中保存关键点坐标的成员变量，这个语句的作用是获取关键点的坐标
keypoints_1[m.queryIdx].pt.y：这个语句的作用是获取关键点的y坐标

d1.ptr<unsigned short>指向匹配点的像素坐标

这是将像素坐标转换成相机坐标

Point2d pixel2cam(const Point2d &p, const Mat &K) {
  return Point2d
    (
      (p.x - K.at<double>(0, 2)) / K.at<double>(0, 0),
      (p.y - K.at<double>(1, 2)) / K.at<double>(1, 1)
    );
}

Mat K = (Mat_<double>(3, 3) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1);
Point2d p1 = pixel2cam(keypoints_1[m.queryIdx].pt, K);        //将匹配点的像素坐标。通过相机内参，转换到相机坐标系下

pts_3d.push_back(Point3f(p1.x * dd, p1.y * dd, dd));                //添加Z轴坐标

1、直接使用cv的solverPnP方法3D点与2D点的对应关系，求解相机的旋转和平移

Mat K = (Mat_<double>(3, 3) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1);
solvePnP(pts_3d, pts_2d, K, Mat(), r, t, false);
cv::Rodrigues(r, R); // r为旋转向量形式，用Rodrigues公式转换为矩阵

2、BA高斯牛顿法

void bundleAdjustmentGaussNewton(
  const VecVector3d &points_3d,
  const VecVector2d &points_2d,
  const Mat &K,
  Sophus::SE3d &pose) {
  typedef Eigen::Matrix<double, 6, 1> Vector6d;
  const int iterations = 10;
  double cost = 0, lastCost = 0;
  double fx = K.at<double>(0, 0);
  double fy = K.at<double>(1, 1);
  double cx = K.at<double>(0, 2);
  double cy = K.at<double>(1, 2);

  for (int iter = 0; iter < iterations; iter++) {
    Eigen::Matrix<double, 6, 6> H = Eigen::Matrix<double, 6, 6>::Zero();
    Vector6d b = Vector6d::Zero();

    cost = 0;
    // compute cost
    for (int i = 0; i < points_3d.size(); i++) {
      Eigen::Vector3d pc = pose * points_3d[i];
      double inv_z = 1.0 / pc[2];
      double inv_z2 = inv_z * inv_z;
      Eigen::Vector2d proj(fx * pc[0] / pc[2] + cx, fy * pc[1] / pc[2] + cy);

      Eigen::Vector2d e = points_2d[i] - proj;

      cost += e.squaredNorm();
      Eigen::Matrix<double, 2, 6> J;
      J << -fx * inv_z,
        0,
        fx * pc[0] * inv_z2,
        fx * pc[0] * pc[1] * inv_z2,
        -fx - fx * pc[0] * pc[0] * inv_z2,
        fx * pc[1] * inv_z,
        0,
        -fy * inv_z,
        fy * pc[1] * inv_z2,
        fy + fy * pc[1] * pc[1] * inv_z2,
        -fy * pc[0] * pc[1] * inv_z2,
        -fy * pc[0] * inv_z;

      H += J.transpose() * J;
      b += -J.transpose() * e;
    }

    Vector6d dx;
    dx = H.ldlt().solve(b);

    if (isnan(dx[0])) {
      cout << "result is nan!" << endl;
      break;
    }

    if (iter > 0 && cost >= lastCost) {
      // cost increase, update is not good
      cout << "cost: " << cost << ", last cost: " << lastCost << endl;
      break;
    }

    // update your estimation
    pose = Sophus::SE3d::exp(dx) * pose;
    lastCost = cost;

    cout << "iteration " << iter << " cost=" << std::setprecision(12) << cost << endl;
    if (dx.norm() < 1e-6) {
      // converge
      break;
    }
  }

  cout << "pose by g-n: \n" << pose.matrix() << endl;
}

3、BAG2O方法

void bundleAdjustmentG2O(
  const VecVector3d &points_3d,
  const VecVector2d &points_2d,
  const Mat &K,
  Sophus::SE3d &pose) {

  // 构建图优化，先设定g2o
  typedef g2o::BlockSolver<g2o::BlockSolverTraits<6, 3>> BlockSolverType;  // pose is 6, landmark is 3
  typedef g2o::LinearSolverDense<BlockSolverType::PoseMatrixType> LinearSolverType; // 线性求解器类型
  // 梯度下降方法，可以从GN, LM, DogLeg 中选
  auto solver = new g2o::OptimizationAlgorithmGaussNewton(
    g2o::make_unique<BlockSolverType>(g2o::make_unique<LinearSolverType>()));
  g2o::SparseOptimizer optimizer;     // 图模型
  optimizer.setAlgorithm(solver);   // 设置求解器
  optimizer.setVerbose(true);       // 打开调试输出

  // vertex
  VertexPose *vertex_pose = new VertexPose(); // camera vertex_pose
  vertex_pose->setId(0);
  vertex_pose->setEstimate(Sophus::SE3d());
  optimizer.addVertex(vertex_pose);

  // K
  Eigen::Matrix3d K_eigen;
  K_eigen <<
          K.at<double>(0, 0), K.at<double>(0, 1), K.at<double>(0, 2),
    K.at<double>(1, 0), K.at<double>(1, 1), K.at<double>(1, 2),
    K.at<double>(2, 0), K.at<double>(2, 1), K.at<double>(2, 2);

  // edges
  int index = 1;
  for (size_t i = 0; i < points_2d.size(); ++i) {
    auto p2d = points_2d[i];
    auto p3d = points_3d[i];
    EdgeProjection *edge = new EdgeProjection(p3d, K_eigen);
    edge->setId(index);
    edge->setVertex(0, vertex_pose);
    edge->setMeasurement(p2d);
    edge->setInformation(Eigen::Matrix2d::Identity());
    optimizer.addEdge(edge);
    index++;
  }

  chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
  optimizer.setVerbose(true);
  optimizer.initializeOptimization();
  optimizer.optimize(10);
  chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
  chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "optimization costs time: " << time_used.count() << " seconds." << endl;
  cout << "pose estimated by g2o =\n" << vertex_pose->estimate().matrix() << endl;
  pose = vertex_pose->estimate();
}