视觉slam学习笔记以及课后习题《第五讲特征点法视觉里程计》

最新推荐文章于 2022-08-12 22:19:20 发布

啦啦啦1231213

最新推荐文章于 2022-08-12 22:19:20 发布

阅读量929

点赞数 1

文章标签： slam 计算机视觉图像处理

本文链接：https://blog.csdn.net/m0_61238051/article/details/121037555

版权

这篇博客主要记录了我在深蓝学院视觉slam课程中的课后习题，因为是为了统计知识点来方便自己以后查阅，所以有部分知识可能不太严谨，如果给大家造成了困扰请见谅，大家发现了问题也可以私信或者评论给我及时改正，欢迎大家一起探讨。其他章的笔记可以在我的首页文章中查看。

整个作业的代码和文档都可以参考我的GitHub存储库GitHub - 1481588643/vslam

如果想要了解视觉slam其他章节的内容，也可以查阅以下链接视觉slam学习笔记以及课后习题《第三讲李群李代数》_m0_61238051的博客-CSDN博客

视觉slam学习笔记以及课后习题《第一讲初识slam》_m0_61238051的博客-CSDN博客_slam下载地址

视觉slam学习笔记以及课后习题《第二讲三维物体刚体运动》_m0_61238051的博客-CSDN博客

视觉slam学习笔记以及课后习题《第四讲相机模型和非线性优化》_m0_61238051的博客-CSDN博客

一.ORB 特征点 (4 分，约 3 小时)

ORB(Oriented FAST and BRIEF) 特征是 SLAM 中一种很常用的特征，由于其二进制特性，使得它可以非常快速地提取与计算 [1]。下面，你将按照本题的指导，自行书写 ORB 的提取、描述子的计算以及匹配的代码。代码框架参照 computeORB.cpp 文件，图像见 1.png 文件和 2.png。

1.ORB 提取

ORB 即 Oriented FAST 简称。它实际上是 FAST 特征再加上一个旋转量。本习题将使用 OpenCV 自带的 FAST 提取算法，但是你要完成旋转部分的计算。旋转的计算过程描述如下 [2]：

实际上只需计算 m01 和 m10 即可。习题中取图像块大小为 16x16，即对于任意点 (u, v)，图像块从

(u − 8, v − 8) 取到 (u + 7, v + 7) 即可。请在习题的 computeAngle 中，为所有特征点计算这个旋转角。提示：

由于要取图像 16x16 块，所以位于边缘处的点（比如 u < 8 的）对应的图像块可能会出界，此时需要判断该点是否在边缘处，并跳过这些点。
由于矩的定义方式，在画图特征点之后，角度看起来总是指向图像中更亮的地方。
std::atan 和 std::atan2 会返回弧度制的旋转角，但 OpenCV 中使用角度制，如使用 std::atan 类函数，请转换一下。

作为验证，第一个图像的特征点如图 1 所示。看不清可以放大看。


// compute the angle
void computeAngle(const cv::Mat &image, vector<cv::KeyPoint> &keypoints) {
  int half_patch_size = 8;
  for (auto &kp : keypoints) {
    // START YOUR CODE HERE (~7 lines)
        //judge if keypoint is on edge
        int x=cvRound(kp.pt.x);
        int y=cvRound(kp.pt.y);
        if( x-half_patch_size<0||x+half_patch_size>image.cols||
            y-half_patch_size<0||y+half_patch_size>image.rows)
            continue;  //结束当前循环，进入到下一次循环
        double m01=0,m10=0;   //定义变量的时候，要初始化，不然这里第一张图片所有kp.angle=0
        for(int i=-half_patch_size;i<half_patch_size;i++){    //-8<i<8,-8<j<8
            for(int j=-half_patch_size;j<half_patch_size;j++){
                m01 += j*image.at<uchar>(y+j,x+i);              //真实坐标(j,i)+(y,x)
                m10 += i*image.at<uchar>(y+j,x+i);              //获得单个像素值image.at<uchar>(y,x)
            }
        }
        kp.angle = atan(m01/m10)*180/pi;
        cout<<"m10 = "<<m01<<"   "<<"m01 = "<<m10<<"  "<<"kp.angle = "<<kp.angle<<endl;

    // END YOUR CODE HERE
  }
  return;
}

2.ORB 描述

ORB 描述即带旋转的 BRIEF 描述。所谓 BRIEF 描述是指一个 0-1 组成的字符串（可以取 256 位或

128 位），每一个 bit 表示一次像素间的比较。算法流程如下：

这样我们就得到了 ORB 的描述。我们在程序中用 256 个 bool 变量表达这个描述2。请你完成 compute- ORBDesc 函数，实现此处计算。注意，通常我们会固定 p, q 的取法（称为 ORB 的 pattern），否则每次都重新随机选取，会使得描述不稳定。我们在全局变量 ORB_pattern 中定义了 p, q 的取法，格式为up, vp, uq, vq。请你根据给定的 pattern 完成 ORB 描述的计算。

提示：

p, q 同样要做边界检查，否则会跑出图像外。如果跑出图像外，就设这个描述子为空。

调用 cos 和 sin 时同样请注意弧度和角度的转换。

void computeORBDesc(const cv::Mat &image, vector<cv::KeyPoint> &keypoints,
                    vector<DescType> &desc) {
  for (auto &kp : keypoints) {
    DescType d(256, false);
    for (int i = 0; i < 256; i++) {
      // START YOUR CODE HERE (~7 lines)
 auto cos_ = float(cos(kp.angle*pi/180)); //将角度转换成弧度再进行cos、sin的计算
            auto sin_ = float(sin(kp.angle*pi/180));
            //注意pattern中的数如何取
            cv::Point2f p_r(cos_*ORB_pattern[4*i]-sin_*ORB_pattern[4*i+1],
                    sin_*ORB_pattern[4*i]+cos_*ORB_pattern[4*i+1]);
            cv::Point2f q_r(cos_*ORB_pattern[4*i+2]-sin_*ORB_pattern[4*i+3],
                    sin_*ORB_pattern[4*i+2]+cos_*ORB_pattern[4*i+3]);

            cv::Point2f p(kp.pt+p_r); //获取p'与q'的真实坐标，才能获得其像素值
            cv::Point2f q(kp.pt+q_r);

            // if kp goes outside, set d.clear()
            if(p.x<0||p.y<0||p.x>image.cols||p.y>image.rows||
            q.x<0||q.y<0||q.x>image.cols||q.y>image.rows){
                d.clear();
                break;
            }
            //像素值比较
             d[i]=image.at<uchar>(p)>image.at<uchar>(q)?0:1; 

      // END YOUR CODE HERE
    }
    desc.push_back(d);
  }

  int bad = 0;
  for (auto &d : desc) {
    if (d.empty())
      bad++;
  }
  cout << "bad/total: " << bad << "/" << desc.size() << endl;
  return;
}

3.暴力匹配

在提取描述之后，我们需要根据描述子进行匹配。暴力匹配是一种简单粗暴的匹配方法，在特征点不多时很有用。下面你将根据习题指导，书写暴力匹配算法。

所谓暴力匹配思路很简单。给定两组描述子 P = [p1, . . . , pM ] 和 Q = [q1, . . . , qN ]。那么，对 P 中任意一个点，找到 Q 中对应最小距离点，即算一次匹配。但是这样做会对每个特征点都找到一个匹配，所以我们通常还会限制一个距离阈值 dmax，即认作匹配的特征点距离不应该大于 dmax。下面请你根据上述描述，实现函数 bfMatch，返回给定特征点的匹配情况。实践中取 dmax = 50。

1注意反过来记也可以，但是程序中要保持一致。

2严格来说可以用 32 个 uchar 以节省空间，但是那样涉及到位运算，本习题只要求掌握算法。


// brute-force matching
void bfMatch(const vector<DescType> &desc1, const vector<DescType> &desc2,
             vector<cv::DMatch> &matches) {
  int d_max = 50;

  // START YOUR CODE HERE (~12 lines)
  // find matches between desc1 and desc2.
    for(int i=0;i<desc1.size();i++){
        if(desc1[i].empty())
            continue;
        int d_min=256 ,index=-1; //必须定义在这里，每次循环重新初始化
        for(int j=0;j<desc2.size();j++){ //这个for循环，取出最小的d_min
            if(desc2[j].empty())
                continue;
            int d=0; //必须定义在这里，每次循环重新初始化
            for(int k=0;k<256;k++){
                d += desc1[i][k]^desc2[j][k]; //异或：不同为1;
            }
            if(d<d_min){
                d_min=d;
                index=j;
            }
        }
        if(d_min<=d_max){
            cv::DMatch match(i,index,d_min);
            matches.push_back(match);
        }
    }

  // END YOUR CODE HERE

  for (auto &m : matches) {
    cout << m.queryIdx << ", " << m.trainIdx << ", " << m.distance << endl;
  }
  return;
}

4.多线程 ORB

C++17 标准中带来了很多语言层面的并行化支持。它们对算法开发人员非常友好，我们可以很轻松地借助标准库的内容，就写出稳定、可靠的并行程序。在 ORB 这个例子中，很明显，角点方向的计算和描述子的计算都是很容易并行化的。请根据你在前两题中的结果，实现多线程并行化的 ORB 描述子计算过程，并比较多线程与单线程之间的性能差异。

为了方便起见，我为你搭建了计算角点部分的多线程计算方法框架，你只需填入关键代码部分即可。而对于计算描述子部分，请参考角度计算部分来完成。如果你的编译器还不支持 17 标准，请升级你的编译器。

提示：

1.你需要按位计算两个描述子之间的汉明距离。

2.作为验证，匹配之后输出图像应如图 2 所示。

3.OpenCV 的 DMatch 结构，queryIdx 为第一图的特征 ID，trainIdx 为第二个图的特征 ID。最后，请结合实验，回答下面几个问题：

1.为什么说 ORB 是一种二进制特征？

答：1.因为ORB的描述子采用的是0和1表示。

2.为什么在匹配时使用 50 作为阈值，取更大或更小值会怎么样？

答：50是经验值，阈值变大匹配到的点数增加，匹配错误会增加，阈值变小匹配点数减少

3.暴力匹配在你的机器上表现如何？你能想到什么减少计算量的匹配方法吗？

答：2.7秒，FLANN可以减少时间。

4.多线程版本相比单线程版本是否有提升？在你的机器上大约能提升多少性能？

void computeAngleMT(const cv::Mat &image, vector<cv::KeyPoint> &keypoints) {

  int half_patch_size = 8;
  std::for_each(std::execution::par_unseq, keypoints.begin(), keypoints.end(),
                [&half_patch_size, &image](auto &kp) {
                  // START YOUR CODE HERE
            int x=cvRound(kp.pt.x);
        int y=cvRound(kp.pt.y);
         if( x-half_patch_size>=0&&x+half_patch_size<image.cols&&
             y-half_patch_size>=0&&y+half_patch_size<=image.rows){
        //     continue;  //结束当前循环，进入到下一次循环
        double m01=0,m10=0;   //定义变量的时候，要初始化，不然这里第一张图片所有kp.angle=0
        for(int i=-half_patch_size;i<half_patch_size;i++){    //-8<i<8,-8<j<8
            for(int j=-half_patch_size;j<half_patch_size;j++){
                m01 += j*image.at<uchar>(y+j,x+i);              //真实坐标(j,i)+(y,x)
                m10 += i*image.at<uchar>(y+j,x+i);              //获得单个像素值image.at<uchar>(y,x)
            }
        }
        kp.angle = atan(m01/m10)*180/pi;
        cout<<"m10 = "<<m01<<"   "<<"m01 = "<<m10<<"  "<<"kp.angle = "<<kp.angle<<endl;
             }

                  // END YOUR CODE HERE
                });
  return;
}


void computeORBDescMT(const cv::Mat &image, vector<cv::KeyPoint> &keypoints,
                      vector<DescType> &desc) {
    // START YOUR CODE HERE (~20 lines)
std::for_each(std::execution::par_unseq,keypoints.begin(),keypoints.end(),
[&image,&desc](auto &kp){

 DescType d(256, false);
    for (int i = 0; i < 256; i++) {
      // START YOUR CODE HERE (~7 lines)
 auto cos_ = float(cos(kp.angle*pi/180)); //将角度转换成弧度再进行cos、sin的计算
            auto sin_ = float(sin(kp.angle*pi/180));
            //注意pattern中的数如何取
            cv::Point2f p_r(cos_*ORB_pattern[4*i]-sin_*ORB_pattern[4*i+1],
                    sin_*ORB_pattern[4*i]+cos_*ORB_pattern[4*i+1]);
            cv::Point2f q_r(cos_*ORB_pattern[4*i+2]-sin_*ORB_pattern[4*i+3],
                    sin_*ORB_pattern[4*i+2]+cos_*ORB_pattern[4*i+3]);

            cv::Point2f p(kp.pt+p_r); //获取p'与q'的真实坐标，才能获得其像素值
            cv::Point2f q(kp.pt+q_r);

            // if kp goes outside, set d.clear()
            if(p.x<0||p.y<0||p.x>image.cols||p.y>image.rows||
            q.x<0||q.y<0||q.x>image.cols||q.y>image.rows){
                d.clear();
                break;
            }
            //像素值比较
             d[i]=image.at<uchar>(p)>image.at<uchar>(q)?0:1; 

      // END YOUR CODE HERE
    }
    std::lock_guard<std::mutex>guard(m);
    desc.push_back(d);



});
    // END YOUR CODE HERE
}

二.从 E 恢复 R, t (3 分，约 1 小时)


#include <Eigen/Core>
#include <Eigen/Dense>
#include <Eigen/Geometry>

using namespace Eigen;

#include <sophus/so3.hpp>

#include <iostream>

using namespace std;

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

    // 给定Essential矩阵
    Matrix3d E;
    E << -0.0203618550523477, -0.4007110038118445, -0.03324074249824097,
            0.3939270778216369, -0.03506401846698079, 0.5857110303721015,
            -0.006788487241438284, -0.5815434272915686, -0.01438258684486258;

    // 待计算的R,t
    Matrix3d R;
    Vector3d t;

    // SVD and fix sigular values
    // START YOUR CODE HERE
   JacobiSVD<MatrixXd> svd(E,ComputeThinU | ComputeThinV);
    Matrix3d U=svd.matrixU();
    Matrix3d V=svd.matrixV();
    VectorXd sigma_value=svd.singularValues();
    Matrix3d SIGMA=U.inverse()*E*V.transpose().inverse();
    Vector3d sigma_value2={(sigma_value[0]+sigma_value[1])/2,(sigma_value[0]+sigma_value[1])/2,0};
    Matrix3d SIGMA2=sigma_value2.asDiagonal();
    cout<<"SIGMA=\n"<<SIGMA<<endl;
    cout<<"sigma_value=\n"<<sigma_value<<endl;
    cout<<"SIGMA2=\n"<<SIGMA2<<endl;
    cout<<"sigma_value2=\n"<<sigma_value2<<endl;

    // END YOUR CODE HERE

    // set t1, t2, R1, R2 
    // START YOUR CODE HERE
    Matrix3d t_wedge1;
    Matrix3d t_wedge2;
 
    Matrix3d R1;
    Matrix3d R2;
    Matrix3d RZ1=AngleAxisd(M_PI/2,Vector3d(0,0,1)).toRotationMatrix();
    Matrix3d RZ2=AngleAxisd(-M_PI/2,Vector3d(0,0,1)).toRotationMatrix();
    t_wedge1=U*RZ1*SIGMA2*U.transpose();
    t_wedge2=U*RZ2*SIGMA2*U.transpose();
    R1=U*RZ1.transpose()*V.transpose();
    R2=U*RZ2.transpose()*V.transpose();

    // END YOUR CODE HERE

    cout << "R1 = " << R1 << endl;
    cout << "R2 = " << R2 << endl;
    cout << "t1 = " << Sophus::SO3d::vee(t_wedge1) << endl;
    cout << "t2 = " << Sophus::SO3d::vee(t_wedge2) << endl;

    // check t^R=E up to scale
    Matrix3d tR = t_wedge1 * R1;
    cout << "t^R = " << tR << endl;

    return 0;
}

三.用 G-N 实现 Bundle Adjustment 中的位姿估计 (3 分，约 2 小时)

答：

3.左乘exp（dx），扰动模型


#include <Eigen/Core>
#include <Eigen/Dense>

using namespace Eigen;

#include <vector>
#include <fstream>
#include <iostream>
#include <iomanip>

#include "sophus/se3.hpp"

using namespace std;

typedef vector<Vector3d, Eigen::aligned_allocator<Vector3d>> VecVector3d;
typedef vector<Vector2d, Eigen::aligned_allocator<Vector3d>> VecVector2d;
typedef Matrix<double, 6, 1> Vector6d;

string p3d_file = "./p3d.txt";
string p2d_file = "./p2d.txt";

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

    VecVector2d p2d;
    VecVector3d p3d;
    Matrix3d K;
    double fx = 520.9, fy = 521.0, cx = 325.1, cy = 249.7;
    K << fx, 0, cx, 0, fy, cy, 0, 0, 1;

    // load points in to p3d and p2d 
    // START YOUR CODE HERE
    ifstream fin(p3d_file);
    if(!fin)
    {
      cout<<"不能打开文件"<<endl;
      return 1;
    }
    while(!fin.eof())
    {
      double x,y,z;
      fin>>x>>y>>z;
      Vector3d v(x,y,z);
      p3d.push_back(v);
    }
    ifstream fins(p2d_file);
    if(!fins)
    {
      cout<<"不能打开文件"<<endl;
      return 1;
    }
    while(!fins.eof())
    {
      double x,y;
      fins>>x>>y;
      Vector2d v(x,y);
      p2d.push_back(v);
    }

    // END YOUR CODE HERE
    assert(p3d.size() == p2d.size());

    int iterations = 100;
    double cost = 0, lastCost = 0;
    int nPoints = p3d.size();
    cout << "points: " << nPoints << endl;

    Sophus::SE3d T_esti; // estimated pose

    for (int iter = 0; iter < iterations; iter++) {

        Matrix<double, 6, 6> H = Matrix<double, 6, 6>::Zero();
        Vector6d b = Vector6d::Zero();

        cost = 0;
        // compute cost
        for (int i = 0; i < nPoints; i++) {
            // compute cost for p3d[I] and p2d[I]
            // STA  double X=p3d[i][0];
        double X=p3d[i][0]    ;
      double Y=p3d[i][1];
	  double Z=p3d[i][2];
	  Vector4d P_0(X,Y,Z,1);
	  Vector4d P=T_esti.matrix()*P_0;
	  Vector3d u=K*Vector3d(P(0,0),P(1,0),P(2,0));
	  Vector2d e=p2d[i]-Vector2d(u(0,0)/u(2,0),u(1,0)/u(2,0));
	  cost+=e.squaredNorm()/2;


	    // END YOUR CODE HERE

	    // compute jacobian
            Matrix<double, 2, 6> J;
            // START YOUR CODE HERE 
    J(0,0)=fx/Z;
	    J(0,1)=0;
	    J(0,2)=-fx*X/(Z*Z);
	    J(0,3)=-fx*X*Y/(Z*Z);
	    J(0,4)=fx+fx*X*X/(Z*Z);
	    J(0,5)=-fx*Y/Z;
	    J(1,0)=0;
	    J(1,1)=fy/Z;
	    J(1,2)=-fy*Y/(Z*Z);
	    J(1,3)=-fy-fy*Y*Y/(Z*Z);
	    J(1,4)=fy*X*Y/(Z*Z);
	    J(1,5)=fy*X/Z;
	    J=-J;
	    // END YOUR CODE HERE

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

	// solve dx 
        Vector6d dx;

        // START YOUR CODE HERE 
	   
  dx=H.ldlt().solve(b);
        // END YOUR CODE HERE

        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
        // START YOUR CODE HERE 
     T_esti=Sophus::SE3d::exp(dx)*T_esti;
        // END YOUR CODE HERE
        
        lastCost = cost;

        cout << "iteration " << iter << " cost=" << cout.precision(12) << cost << endl;
    }

    cout << "estimated pose: \n" << T_esti.matrix() << endl;
    return 0;
}

但是书中由于代码中错误地设置了 depth scale（应该为 5000，实际输入了 1000），所以应该说和修正后结果相近。

四.* 用 ICP 实现轨迹对齐 (2 分，约 2 小时)

在实际当中，我们经常需要比较两条轨迹之间的误差。第三节课习题中，你已经完成了两条轨迹之间的 RMSE 误差计算。但是，由于 ground-truth 轨迹与相机轨迹很可能不在一个参考系中，它们得到的轨迹并不能直接比较。这时，我们可以用 ICP 来计算两条轨迹之间的相对旋转与平移，从而估计出两个参考系之间的差异。

#include <sophus/se3.hpp>
#include <string>
#include <iostream>
#include <fstream>
#include <cmath>
#include <pangolin/pangolin.h>
#include <Eigen/Core>
#include <Eigen/Geometry>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/calib3d/calib3d.hpp>

using namespace std;
using namespace Eigen;
using namespace cv;
void ReadData(string FileName ,
              vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> &poses_e,
              vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> &poses_g,
              vector<Point3f> &t1,
              vector<Point3f> &t2
);
void icp_svd (
        const vector<Point3f>& pts1,
        const vector<Point3f>& pts2,
        Matrix3d & R,Vector3d& t);
void DrawTrajectory(vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> poses_e,
                    vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> poses_g);

int main(int argc,char **argv){
    string TrajectoryFile = "./compare.txt";
    vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> poses_e;
    vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> poses_g;
    vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> poses_g_; //poses_g_=T*poses_g
    Eigen::Matrix3d R;
    Eigen::Vector3d t;
    vector<Point3f> t_e,t_g;

    ReadData( TrajectoryFile,poses_e, poses_g, t_e, t_g);
    icp_svd(t_e,t_g,R,t);
    Sophus::SE3 T_eg(R,t);
    for(auto SE3_g:poses_g){
        SE3_g =T_eg*SE3_g; // T_e[i]=T_eg*T_g[i]
        poses_g_.push_back(SE3_g);
    }
   DrawTrajectory(poses_e,poses_g_);
}
/*************读取文件中的位姿******************/
void ReadData(string FileName ,
        vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> &poses_e,
        vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> &poses_g,
        vector<Point3f> &t_e,
        vector<Point3f> &t_g
        ){
    string line;
    double time1,tx_1,ty_1,tz_1,qx_1,qy_1,qz_1,qw_1;
    double time2,tx_2,ty_2,tz_2,qx_2,qy_2,qz_2,qw_2;
    ifstream fin(FileName);
    if(!fin.is_open()){
        cout<<"compare.txt file can not open!"<<endl;
        return ;
    }
    while(getline(fin,line)){
        istringstream record(line);
        record>>time1 >> tx_1 >> ty_1 >> tz_1 >> qx_1 >> qy_1 >> qz_1 >> qw_1
              >>time2 >> tx_2 >> ty_2 >> tz_2 >> qx_2 >> qy_2 >> qz_2 >> qw_2;
        t_e.push_back(Point3d(tx_1,ty_1,tz_1)); //将t取出，为了进行用icp进行计算
        t_g.push_back(Point3d(tx_2,ty_2,tz_2));

        Eigen::Vector3d point_t1(tx_1, ty_1, tz_1);
        Eigen::Vector3d point_t2(tx_2, ty_2, tz_2);

        Eigen::Quaterniond q1 = Eigen::Quaterniond(qw_1, qx_1, qy_1, qz_1).normalized(); //四元数的顺序要注意
        Eigen::Quaterniond q2 = Eigen::Quaterniond(qw_2, qx_2, qy_2, qz_2).normalized();

        Sophus::SE3 SE3_qt1(q1, point_t1);
        Sophus::SE3 SE3_qt2(q2, point_t2);

        poses_e.push_back(SE3_qt1);
        poses_g.push_back(SE3_qt2);
    }

}

void icp_svd (
        const vector<Point3f>& pts1,
        const vector<Point3f>& pts2,
        Matrix3d& R, Vector3d& t) {
    Point3f p1, p2; // center of mass
    int N = pts1.size();
    for ( int i=0; i<N; i++ )
    {
        p1 += pts1[i];
        p2 += pts2[i];
    }
    p1 = Point3f( Vec3f(p1) / N);
    p2 = Point3f( Vec3f(p2) / N);
    vector<Point3f> q1 ( N ), q2 ( N ); // remove the center
    for ( int i=0; i<N; i++ )
    {
        q1[i] = pts1[i] - p1;
        q2[i] = pts2[i] - p2;
    }

    // compute q1*q2^T
    Eigen::Matrix3d W = Eigen::Matrix3d::Zero();
    for ( int i=0; i<N; i++ )
    {
        W += Eigen::Vector3d ( q1[i].x, q1[i].y, q1[i].z ) * Eigen::Vector3d ( q2[i].x, q2[i].y, q2[i].z ).transpose();
    }
    cout<<"W="<<W<<endl;

    // SVD on W
    Eigen::JacobiSVD<Eigen::Matrix3d> svd ( W, Eigen::ComputeFullU|Eigen::ComputeFullV );
    Eigen::Matrix3d U = svd.matrixU();
    Eigen::Matrix3d V = svd.matrixV();
    cout<<"U="<<U<<endl;
    cout<<"V="<<V<<endl;

    R = U* ( V.transpose() ); //p1=R_12*p_2,注意R的意义，p2到p1的旋转关系
    t = Eigen::Vector3d ( p1.x, p1.y, p1.z ) - R * Eigen::Vector3d ( p2.x, p2.y, p2.z );
}

/*****************************绘制轨迹*******************************************/
void DrawTrajectory(vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> poses_e,
                    vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> poses_g) {
    if (poses_g.empty() || poses_e.empty()) {
        cerr << "Trajectory is empty!" << endl;
        return;
    }

    // create pangolin window and plot the trajectory
    pangolin::CreateWindowAndBind("Trajectory Viewer", 1024, 768); //创建一个窗口
    glEnable(GL_DEPTH_TEST); //启动深度测试
    glEnable(GL_BLEND); //启动混合
    glBlendFunc(GL_SRC_ALPHA, GL_ONE_MINUS_SRC_ALPHA); //混合函数glBlendFunc( GLenum sfactor , GLenum dfactor );sfactor 源混合因子dfactor 目标混合因子

    pangolin::OpenGlRenderState s_cam(
            pangolin::ProjectionMatrix(1024, 768, 500, 500, 512, 389, 0.1, 1000),
            pangolin::ModelViewLookAt(0, -0.1, -1.8, 0, 0, 0, 0.0, -1.0, 0.0) //对应的是gluLookAt,摄像机位置,参考点位置,up vector(上向量)
    );

    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);

        glLineWidth(2);
        for (size_t i = 0; i < poses_e.size() - 1; i++) {
            glColor3f(1 - (float) i / poses_e.size(), 0.0f, (float) i / poses_e.size());
            glBegin(GL_LINES);
            auto p1 = poses_e[i], p2 = poses_e[i + 1];
            glVertex3d(p1.translation()[0], p1.translation()[1], p1.translation()[2]);
            glVertex3d(p2.translation()[0], p2.translation()[1], p2.translation()[2]);
            glEnd();
        }

        for (size_t j = 0; j < poses_g.size() - 1; j++) {
            glColor3f(1 - (float) j / poses_g.size(), 0.0f, (float) j / poses_g.size());
            glBegin(GL_LINES);
            auto p1 = poses_g[j], p2 = poses_g[j + 1];
            glVertex3d(p1.translation()[0], p1.translation()[1], p1.translation()[2]);
            glVertex3d(p2.translation()[0], p2.translation()[1], p2.translation()[2]);
            glEnd();
        }

        pangolin::FinishFrame();
    }

}