Ubuntu18.04 系统上配置并运行SuperGluePretrainedNetwork（仅使用CPU）

SuperGlue是Magic Leap在CVPR 2020上展示的研究项目，它是一个图神经网络（Graph Neural Network）和最优匹配层（Optimal Matching layer）的结合，训练用于对两组稀疏图像特征进行匹配。这个项目提供了PyTorch代码和预训练的权重，可以在SuperPoint关键点和描述子的基础上运行SuperGlue匹配网络。给定一对图像，你可以使用这个项目来提取图像对之间的匹配特征。

SuperGlue作为一个“中端”操作，执行上下文聚合、匹配和过滤等功能，是一个端到端的架构。

要在Ubuntu系统上配置并运行SuperGluePretrainedNetwork而不使用CUDA（即不使用GPU），你可以按照以下步骤进行。这些步骤基于SuperGlue的官方GitHub仓库的指导，但已修改为适应仅使用CPU的情况。

1. 克隆仓库

首先，打开一个终端，并使用以下命令克隆SuperGlue的GitHub仓库：

git clone https://github.com/magicleap/SuperGluePretrainedNetwork.git
cd SuperGluePretrainedNetwork

2. 创建Python虚拟环境

创建一个新的Python虚拟环境以避免依赖项与系统的其他项目冲突。这一步需要你已经安装了Python3和pip。

sudo apt-get install python3-venv
python3 -m venv superglue-env
source superglue-env/bin/activate

3. 安装依赖

在虚拟环境中安装所有必要的Python依赖。由于不使用CUDA，可以忽略与CUDA相关的依赖。

pip install -r requirements.txt

 有可能提醒你安装wheel

pip install wheel

4. 强制使用CPU

要确保代码在没有CUDA的情况下运行，在执行脚本时添加--force_cpu标志。例如，如果要运行demo_superglue.py脚本：

demo_superglue.py脚本接受的参数有：

• --input: 输入图像或图像文件夹的路径。
• --output_dir: 输出目录的路径。
• --image_glob: 用于匹配输入目录中图像文件的glob模式。
• --skip: 在处理连续帧时跳过的帧数。
• --max_length: 处理的最大帧数。
• --resize: 调整图像大小的参数，接受一个或两个值（宽度和高度）。
• --superglue: 使用的SuperGlue模型的类型（outdoor或indoor）。
• --max_keypoints: 每个图像提取的最大关键点数。
• --keypoint_threshold: 关键点检测的置信度阈值。
• --nms_radius: 非最大抑制（NMS）的半径。
• --sinkhorn_iterations: Sinkhorn算法的迭代次数。
• --match_threshold: 匹配阈值。
• --show_keypoints: 是否显示关键点。
• --no_display: 不显示图像结果。
• --force_cpu: 使用CPU而不是GPU。

 

确认虚拟环境是否打开 

source superglue-env/bin/activate

 

在虚拟环境下运行程序 

python demo_superglue.py --input assets/scannet_sample_images/ --output_dir output/ --resize -1 -1 --force_cpu

这里，我假设--resize -1 -1意味着你不想调整图像大小。你需要根据实际的demo_superglue.py脚本接受的参数来调整这个命令。如果你需要针对特定图像对运行匹配过程，你可能需要查看脚本内部的实现，看是否支持直接指定图像对，或者你可能需要手动调整脚本来适应你的需求。

5. 使用KITTI 00进行测试的结果