3d3d

#include <iostream>

#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/calib3d/calib3d.hpp>

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

#include <g2o/core/base_vertex.h>
#include <g2o/core/base_unary_edge.h>
#include <g2o/core/block_solver.h>
#include <g2o/core/optimization_algorithm_gauss_newton.h>
#include <g2o/solvers/eigen/linear_solver_eigen.h>
#include <g2o/types/sba/types_six_dof_expmap.h>

using namespace std;
using namespace cv;

void find_feature_matches(
        const Mat& img_1, const Mat& img_2,
        vector<KeyPoint>& keypoints_1,
        vector<KeyPoint>& keypoints_2,
        vector<DMatch>& matches
);

Point2d pixel2cam(const Point2d& p, const Mat& K);

void pose_estimation_3d3d(
        const vector<Point3f>& pts1,
        const vector<Point3f>& pts2,
        Mat& R, Mat& t
);

void bundleAdjustment(
        const vector<Point3f>& pts1,
        const vector<Point3f>& pts2,
        Mat& R, Mat& t
);

//define edge of g2o
//节点为优化变量，这里是g2o::VertexSE3Expmap类型的相机位姿，由于只有一帧，所以整个图中只有一个位姿量，也就只有一个顶点，进而边就是一元边，只连接到一个顶点
//边是误差项，这里的误差是观测到的3d点坐标减去计算得到的3d点坐标，也即观测值减去计算值，
//在这步减法运算中，类型是不变的，也就是误差类型和观测值的类型一样，就是Eigen::Vector3d类型，维度为3维

//继承自基本一元边类，观测值为3d空间点坐标，所以维度为３，类型为Eigen::Vector3d类型，一元边链接一个顶点，类型为相机位姿g2o::VertexSE3Expmap
class EdgeProjectXYZRGBDPoseOnly : public g2o::BaseUnaryEdge<3, Eigen::Vector3d, g2o::VertexSE3Expmap>
{
public:
    EIGEN_MAKE_ALIGNED_OPERATOR_NEW;
    //构造函数需要一个Eigen::Vector3d类型的 point
    EdgeProjectXYZRGBDPoseOnly( const Eigen::Vector3d& point ) : _point(point) {}

    //误差函数
    virtual void computeError()
    {
        //从顶点容器_vertices[]中将唯的一个顶点取出来，并将其类型转换成位姿节点指针(注意这里还是节点类型指针，虽然这个节点是位姿，但是还是节点类型)，用于后面_error中的计算值求取
        const g2o::VertexSE3Expmap* pose = static_cast<const g2o::VertexSE3Expmap*> ( _vertices[0] );

        // measurement is p, point is p'
        //map函数定义：　Vector3D map(const Vector3D & xyz) const { return _r*xyz+_t; }
        //pose->estimate()取得估计值，也就是位姿了
        //可以看到，pose->estimate().map( _point )计算后就是p'经过Rt变换后的坐标。然后跟观测值p作差
        _error = _measurement - pose->estimate().map( _point );
    }

    //线性增量计算
    virtual void linearizeOplus()
    {
        //又是把位姿节点取出来
        g2o::VertexSE3Expmap* pose = static_cast<g2o::VertexSE3Expmap *>(_vertices[0]);
        //调取位姿节点数据，并转换成转换向量，也就是李代数
        g2o::SE3Quat T(pose->estimate());
        //_point为p'，这里乘上变换向量，就是世界坐标系中p的坐标，也就是变换之前，p在相机中的坐标，因为相机就动作了一次，将动作之前的位置定位世界坐标系
        Eigen::Vector3d xyz_trans = T.map(_point);
        double x = xyz_trans[0];
        double y = xyz_trans[1];
        double z = xyz_trans[2];
        //以上这些步骤就是为了求p'经过变换后的p点坐标，P173页第一个式子。
        //因为雅克比矩阵经计算知道，只跟变换后的坐标有关系，所以求出来直接定义就好了。P175页式7.60与P164页式7.44

        _jacobianOplusXi(0,0) = 0;
        _jacobianOplusXi(0,1) = -z;
        _jacobianOplusXi(0,2) = y;
        _jacobianOplusXi(0,3) = -1;
        _jacobianOplusXi(0,4) = 0;
        _jacobianOplusXi(0,5) = 0;

        _jacobianOplusXi(1,0) = z;
        _jacobianOplusXi(1,1) = 0;
        _jacobianOplusXi(1,2) = -x;
        _jacobianOplusXi(1,3) = 0;
        _jacobianOplusXi(1,4) = -1;
        _jacobianOplusXi(1,5) = 0;

        _jacobianOplusXi(2,0) = -y;
        _jacobianOplusXi(2,1) = x;
        _jacobianOplusXi(2,2) = 0;
        _jacobianOplusXi(2,3) = 0;
        _jacobianOplusXi(2,4) = 0;
        _jacobianOplusXi(2,5) = -1;
    }

    //输入输出这里留空
    bool read ( istream& in ) {}
    bool write ( ostream& out ) const {}

protected:
    //这里的这个point就是采集到的有误差的数据。在边的定义中，要把采集到的数据定义为成员变量，采集进来，用于书写误差函数
    Eigen::Vector3d _point;
};


int main ( int argc, char** argv )
{
    if ( argc != 5 )
    {
        cout<<"usage: pose_estimation_3d3d img1 img2 depth1 depth2"<<endl;
        return 1;
    }
    //-- 读取图像
    Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );
    Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );

    vector<KeyPoint> keypoints_1, keypoints_2;
    vector<DMatch> matches;
    find_feature_matches ( img_1, img_2, keypoints_1, keypoints_2, matches );
    cout<<"一共找到了"<<matches.size() <<"组匹配点"<<endl;

    // 建立3D点
    Mat depth1 = imread ( argv[3], CV_LOAD_IMAGE_UNCHANGED );       // 深度图为16位无符号数，单通道图像
    Mat depth2 = imread ( argv[4], CV_LOAD_IMAGE_UNCHANGED );       // 深度图为16位无符号数，单通道图像
    Mat K = ( Mat_<double> ( 3,3 ) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1 );
    vector<Point3f> pts1, pts2;

    for ( DMatch m:matches )
    {
        //这个过程注释参见3d2d那个如何由二维像素图片和深度图片生成3d点，其实这块功能也可以单独拿出写成个函数
        ushort d1 = depth1.ptr<unsigned short> ( int ( keypoints_1[m.queryIdx].pt.y ) ) [ int ( keypoints_1[m.queryIdx].pt.x ) ];
        ushort d2 = depth2.ptr<unsigned short> ( int ( keypoints_2[m.trainIdx].pt.y ) ) [ int ( keypoints_2[m.trainIdx].pt.x ) ];
        if ( d1==0 || d2==0 )   // bad depth
            continue;
        Point2d p1 = pixel2cam ( keypoints_1[m.queryIdx].pt, K );
        Point2d p2 = pixel2cam ( keypoints_2[m.trainIdx].pt, K );
        float dd1 = float ( d1 ) /1000.0;
        float dd2 = float ( d2 ) /1000.0;
        pts1.push_back ( Point3f ( p1.x*dd1, p1.y*dd1, dd1 ) );
        pts2.push_back ( Point3f ( p2.x*dd2, p2.y*dd2, dd2 ) );
    }

    cout<<"3d-3d pairs: "<<pts1.size() <<endl;
    Mat R, t;
    pose_estimation_3d3d(pts1, pts2, R, t);
    cout<<"ICP via SVD results: "<<endl;
    cout<<"R = "<<R<<endl;
    cout<<"t = "<<t<<endl;
    cout<<"R_inv = "<<R.t() <<endl;//.t()方法为Mat类型的R的求逆方法
    cout<<"t_inv = "<<-R.t() *t<<endl;

    cout<<"calling bundle adjustment"<<endl;

    bundleAdjustment( pts1, pts2, R, t );
    return 0;
}

void find_feature_matches(
        const Mat& img_1, const Mat& img_2,
        std::vector<KeyPoint>& keypoints_1, std::vector<KeyPoint>& keypoints_2,
        std::vector< DMatch >& matches_good
)
{
    //创建描述子
    Mat descriptors_1, descriptors_2;

    //初始化为三步走：
    //创建detector，用于检测keypoint
    Ptr<FeatureDetector> detector = ORB::create();
    //创建descriptor，用于检测描述子
    Ptr<DescriptorExtractor> descriptor = ORB::create();
    //创建描述子匹配器，用于根据描述子产生匹配
    Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");

    //第一步：检测角点
    detector->detect(img_1, keypoints_1);
    detector->detect(img_2, keypoints_2);

    //第二步：根据角点位置计算描述子
    descriptor->compute(img_1, keypoints_1, descriptors_1);
    descriptor->compute(img_2, keypoints_2, descriptors_2);

    //第三步：根据描述子进行匹配，这里使用的是Hamming距离
    vector<DMatch> matches;
    matcher->match(descriptors_1, descriptors_2, matches);

    //第四步：对匹配点进行筛选

    //筛选前需要找出最大距离和最小距离，也就是最不相似和最相似的匹配
    //首先定义两个最值，初值设置为第一个match的距离
    double min_dist = matches[0].distance;
    double max_dist = matches[0].distance;
    for(auto m:matches)
    {
        if (m.distance<min_dist) min_dist = m.distance;
        if (m.distance>max_dist) max_dist = m.distance;
    }

    cout<<"Max_dist:"<<max_dist<<endl
        <<"Min_dist:"<<min_dist<<endl;

    //筛选：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
    for(auto m:matches)
    {
        if (m.distance <= max(2*min_dist, 30.0))
            matches_good.push_back(m);
    }
}

//将像素坐标转换成相机归一化平面坐标
Point2d pixel2cam ( const Point2d& p, const Mat& K )
{
    //定义相机归一化坐标
    Point2d camera_canonical_coordinates;
    //设定坐标值
    camera_canonical_coordinates.x = (p.x-K.at<double>(0,2))/K.at<double>(0,0);
    camera_canonical_coordinates.y = (p.y-K.at<double>(1,2))/K.at<double>(1,1);
    //返回
    return camera_canonical_coordinates;

    //其实简单就是用下面一句，直接用像素坐标和内参矩阵构造一个2d点，直接返回。
    //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));
}

//SVD方法求位姿估计
void pose_estimation_3d3d(
        const vector<Point3f>& pts1,
        const vector<Point3f>& pts2,
        Mat& R, Mat& t
)
{
    //质心
    Point3f p1, p2;
    //空间点个数N
    int N = pts1.size();
    //遍历空间点，将点求和，这里求和就是XYZ坐标对应的相加起来(两个空间点相加也就是这么算的)
    for ( int i=0; i<N; i++ )
    {
        p1 += pts1[i];
        p2 += pts2[i];
    }
    //前面p1、p2已经计算出来一个总和值，下面要除以个数，这里先将p1、p2转换成Vec3f类型，再除以N。
    //是因为Point3f类型没有除法运算？
    p1 = Point3f( Vec3f(p1) / N);
    p2 = Point3f( Vec3f(p2) / N);

    //创建去质心后的3d点数组
    vector<Point3f> q1(N), q2(N);

    //去质心运算
    for ( int i=0; i<N; i++ )
    {
        q1[i] = pts1[i]-p1;
        q2[i] = pts2[i]-p2;
    }

    // 根据P174页下方总结，计算 W = sum(q1*q2^T)
    //首先定义W，类型为Eigen::Matrix3d，并初始化为0矩阵
    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;

    // 将W进行UV分解，注意用法，这里是Eigen库中的方法，创建一个JacobiSVD模板类对象，模板参数为Eigen::Matrix3d类型
    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;

    Eigen::Matrix3d R_ = U*(V.transpose());
    Eigen::Vector3d t_ = Eigen::Vector3d(p1.x, p1.y, p1.z)-R_*Eigen::Vector3d(p2.x, p2.y, p2.z);

    // convert to cv::Mat将Eigen::Matrix3d类型的R_转换成Mat类型的R,这里看起来有点啰嗦啊
    R=(Mat_<double>(3, 3)<<
                         R_(0, 0), R_(0, 1), R_(0, 2),
                         R_(1, 0), R_(1, 1), R_(1, 2),
                         R_(2, 0), R_(2, 1), R_(2, 2)
      );
    t = (Mat_<double>(3, 1)<<t_(0, 0), t_(1, 0), t_(2, 0));



}

void bundleAdjustment (
        const vector< Point3f >& pts1,
        const vector< Point3f >& pts2,
        Mat& R, Mat& t )
{
    // 初始化g2o
    //定义矩阵块求解器的类型，这里pose维度为 6, landmark 维度为 3。trait:特性
    typedef g2o::BlockSolver< g2o::BlockSolverTraits<6,3> > Block;
    //定义线性方程求解器，用于后面的矩阵块求解器构造
    Block::LinearSolverType* linearSolver = new g2o::LinearSolverEigen<Block::PoseMatrixType>();
    //定义矩阵块求解器，用于后面的优化算法构造
    Block* solver_ptr = new Block( linearSolver );
    //定义优化算法，这里用的是LM方法
    g2o::OptimizationAlgorithmGaussNewton* solver = new g2o::OptimizationAlgorithmGaussNewton( solver_ptr );
    //创建一个优化器，传入上方定义的solver
    g2o::SparseOptimizer optimizer;
    optimizer.setAlgorithm( solver );

    // Vertex　定义顶点，只有一个顶点就是相机pose。
    g2o::VertexSE3Expmap* pose = new g2o::VertexSE3Expmap(); // camera pose
    pose->setId(0);
    //这里相当于给了一个初始值，旋转为单位阵，平移为0向量
    pose->setEstimate(g2o::SE3Quat(Eigen::Matrix3d::Identity(), Eigen::Vector3d(0, 0, 0)));
    optimizer.addVertex(pose);

    // edges　定义边，这里边就很多了，因为一张图上有很多匹配点，也就有很多观测值和误差项，
    int index = 1;
    //这里用到了上方定义的边的类型
    vector<EdgeProjectXYZRGBDPoseOnly*> edges;
    //for循环加进去
    for ( size_t i=0; i<pts1.size(); i++ )
    {
        //边类型指针
        EdgeProjectXYZRGBDPoseOnly* edge = new EdgeProjectXYZRGBDPoseOnly(Eigen::Vector3d(pts2[i].x, pts2[i].y, pts2[i].z) );
        //每个边设置一个ID
        edge->setId(index);
        //设定链接的顶点，这里是一元边，所以一条边只链接一个顶点，而且整个图也就一个顶点，就是位姿pose
        edge->setVertex(0, dynamic_cast<g2o::VertexSE3Expmap*> (pose));//这里这个类型转换貌似有点多余，因为pose类型本身就是g2o::VertexSE3Expmap*类型
        //设定测量值，也就是第一组3d点，pts1
        edge->setMeasurement(Eigen::Vector3d(pts1[i].x, pts1[i].y, pts1[i].z));
        //设置信息矩阵，不知道为啥要*1e4
        edge->setInformation(Eigen::Matrix3d::Identity()*1e4);
        //添加到优化器中
        optimizer.addEdge(edge);
        index++;
        edges.push_back(edge);
    }

    //优化过程信息输出设定为true
    optimizer.setVerbose( true );
    //开始优化
    optimizer.initializeOptimization();
    //优化次数10次
    optimizer.optimize(10);

    //优化结果输出
    cout<<endl<<"after optimization:"<<endl;
    cout<<"T="<<endl<<Eigen::Isometry3d( pose->estimate() ).matrix()<<endl;

    return;
}