BundleFusion代码理解+参数解析

主要参考大佬博客：

• https://zhuanlan.zhihu.com/p/86718461
• https://blog.csdn.net/u010451780/article/details/108356447

1) 重要参数

• zParametersBundlingDefault.txt
  • s_numLocalNonLinIterations = 2; //局部非线性优化迭代次数
  • s_numLocalLinIterations = 100; //局部线性优化迭代次数，重要
  • s_numGlobalNonLinIterations = 3; //全局非线性优化迭代次数
  • s_numGlobalLinIterations = 150; //全局线性优化迭代次数
  • s_downsampledWidth = 80; //用于Correspondence Filtering中的dense verification中，如果设置的不恰当，会导致在跟踪过程中，容易跟踪失败，导致重建的稠密模型缺失
  • s_downsampledHeight = 60；
  • s_sensorIdx = 8; //输入数据模式，1~7代表不同的深度相机实时扫描输入，8代表离线.sens文件
  • s_RenderMode = 1; //程序运行时窗口实时展示的模式，Tab键显示菜单，输入不同数字或字母显示不同模式；
  • s_maxNumImages = 1200；//最大帧数
  • s_submapSize = 10；//每个localBundle最大帧数
• zParametersDefault.txt
  • s_maxNumKeysPerImage = 1024; //每一帧图像上检测的最多的sift特征点的个数。
  • s_integrationWidth = 320; //使用的帧size，需根据自己数据的分辨率修改
  • s_integrationHeight = 240;
  • s_maxNumImages = 1200; //最大帧数
  • s_submapSize = 10; //每个localBundle最大帧数
  • s_maxNumKeysPerImage = 1024; //每帧最大特征点数
  • s_marchingCubedMaxNumTriangles = 6000000; //生成mesh时最大的面片数，设置过小可能导致重建的mesh残缺破破烂烂的

2) 程序梳理

Fredver.cpp是主程序入口，bundlingThreadFunc开启多线程分层优化特征提取匹配过滤实现位姿估计，startDepthSensing从传感器读取数据并重建。

• main() FriedLiver.cpp：程序入口

  • g_RGBDSensor = getRGBDSensor();//根据你设置的s_sensorIdx来判断你输入的数据的形式，是深度相机还是.sens文件。
  • g_RGBDSensor->createFirstConnected(); //这个函数主要是读取输入的.sens文件中的数据，彩色图，深度图，pose，还有info.txt
  • g_imageManager = new CUDAImageManger();
  • std::thread bundlingThread(bundlingThreadFunc); //开启多线程，进行跟踪和优化
    • 如果已经处理的最后一帧是localBundle的第一帧，则等待上一次solve优化完
    • 如果已经处理的最后一帧是localBundle的最后一帧，则开始新的solve优化
      • std::thread(bundlingOptimizationThreadFunc); //11帧为一个chunk
      • bundlingOptimization();
        • g_bundler->process();
          • optimizeLocal()
          • processGlobal()
          • optimizeGlobal()
    • 等待新的输入数据，处理输入processInput，通知DepthSensing
  • startDepthSensing(g_bundler, getRGBDSensor(), g_imageManager); //调用DX进行渲染，从传感器中读取数据，重建

• startDepthSensing() DepthSensing.cpp

  • DXUTSetCallbackD3D11FrameRender(OnD3D11FrameRender)
    • 等待上一次bundlingThread完成，读取数据，然后通知bundlingThread
    • bool bGotDepth = g_CudaImageManager->process(); // 读取输入
    • reintegrate(); //Fix old frames，更新模型，包括：deintegrate和integrate
    • 等待bundling完成：sift extraction, sift matching, and key point filtering
    • integrate(depthCameraData, transformation); //Reconstruction of current frame，获取当前帧，fusion进TSDF中
    • VisualizeFrame; //Render with view of current frame, RayCast
    • StopScanningAndExit(); //这个函数中实现将计算的位姿保存到.sens中的pose数据，并且生成.ply模型

• CUDAImageManager

  • init
    • m_bHasBundlingFrameRdy=false
    • m_currFrame = 0
  • process：输入数据预处理，m_currFrame++
    • ColorMap：
      • 重采样：根据s_integrationWidth
    • DepthMap：
      • erode：腐蚀2次
      • smooth：双边滤波
      • 重采样：根据s_integrationWidth
    • 加入m_data

• OnlineBundler

  • OnlineBundler（）// init input data & sift camera constant params & trajectories

    • m_bHasProcessedInputFrame=false
    • m_bExitBundlingThread=false
    • m_lastFrameProcessed = -1

  • getCurrentFrame（）// BundlerInputData获取depthMap和colorMap

    • Color to Intensity：(0.299fc.x + 0.587fc.y + 0.114f*c.z) / 255.0f
    • colorFilter：双边滤波bilateral filter

  • processInput（）

    • 获取depth/color data
    • localBundle检测SIFT特征点，缓存数据
      • m_local->detectFeatures() //Bundle中定义的函数
      • m_local->storeCachedFrame()//Bundle中定义的函数
    • 如果是localBundle最后一帧，copy localBundle data to optBundle
      • m_optLocal->copyFrame(m_local, curLocalFrame)
    • 如果不是localBundle第一帧，localBundle进行SIFT特征点匹配和过滤，计算当前帧的transform
      • m_local->matchAndFilter()//Bundle中定义的函数
    • 如果是localBundle最后一帧，准备local solve，更新BundlerState，交换localBundle和optBundle

  • process（）//BundleFusion Optimization

    • optimizeLocal() //局部优化
    • processGlobal()
    • fuseToGlobal //把localBundle关键帧加入globalBundle中
    • matchAndFilter
    • optimizeGlobal() //全局优化

• Bundler

  • detectFeatures() //检测图像sift特征点
  • storeCachedFrame() //缓存数据
  • matchAndFilter() //匹配和过滤当前帧和之前所有帧的sift特征点，计算3D点。
  • optimize() //稀疏点优化
    • CUDA solve

• CUDASolverBundling 求解器

  • BuildDenseSystem

3) 效率分析

亲测bundlefusion实时处理速度可达30fps。在zParametersDefault.txt中指定time文件输出目录s_printTimingsDirectory， 在zParametersBundlingDefault.txt中指定s_enablePerFrameTimings和s_enableGlobalTimings为true。程序结束运行后或者运行过程中按"T"键，会在指定文件夹下输出四个记时文件：

• excel_local.txt：
  • SIFT Dection(9.0ms)，SIFT Matching(1.5ms)，corr Fliter(1.2ms)，Misc(0.5ms)，Solve(1.9ms)，Re-Integrate(24.5ms)，Misc(6.6ms)；
• excel_global.txt：
  • SIFT Dection(2.7ms)，SIFT Matching(19.3ms)，corr Fliter(1.4ms)，Misc(0.5ms)，Solve(133.7ms)；
• excel_total.txt：每一帧的总耗时，平均约30ms；
• timingLogPerFrame.txt：每一帧各模块耗时及总耗时
  • 等待bundling完成：sift extraction, sift matching, and key point filtering，通知depth,等待新的输入数据，处理输入processInput，通知DepthSensing
    • SIFT Dection：计算一帧 SIFT 关键点和提取关键点描述子占用 9.0ms；
    • SIFT Matching：匹配一次耗时大概 1.5ms；
    • corr Fliter：帧间对应关系过滤大概1.2ms；
    • Misc：0.5ms；
    • Solve：local bundle最后一帧执行CUDA solve大概1.9ms；
  • Process Input：处理输入，约2ms
  • Re-Integrate：更新模型，约24ms
  • Reconstruct：重建当前帧，约1.5ms
  • Visualize：可视化，约2.5~3ms