目录
相关链接
VINS_MONO系列:(一)总体框架_Derrr...的博客-CSDN博客_vins框架
VINS_MONO系列:(二)IMU预积分详细推导_Derrr...的博客-CSDN博客
VINS_MONO系列:(三)VIO初始化_Derrr...的博客-CSDN博客
VINS_MONO系列:(四)紧耦合VIO实现_Derrr...的博客-CSDN博客
VINS_MONO系列:(五)前端特征提取_Derrr...的博客-CSDN博客
1、整体流程
VINS_MONO的前端的实现较为简单,核心的内容包括利用cv::goodFeaturesToTrack提取关键点,利用cv::calcOpticalFlowPyrLK对前后帧的关键点进行光流跟踪。
真个前端特征提取的流程如图1所示,回调函数接受到图像数据后会先对图像数据转化为opencv的格式,然后再传入FeatureTracker类中进行处理。处理完以后会更新图像中关键点的id,主要是更新新提取出来的关键。最后将特征提取的结果发布出去,这里发布的数据包括当前帧提取到的关键点的id、速度(图像坐标系下的)、像素坐标和归一化坐标等。
FeatureTracker类主要实现图像关键点的提取、关键点的跟踪以、outlier剔除以及关键点补充等功能。关键点跟踪运用的是金字塔光流跟踪,通过直接调用cv::calcOpticalFlowPyrLK实现。光流跟踪后会利用基础矩阵F对外点进行剔除。剔除外点后,会通过cv::goodFeaturesToTrack来补充新的关键点。最后,计算能实现前后帧追踪关键点的速度。
图1 整体流程
2、代码实现
这里主要列举几个比较主要的函数
void FeatureTracker::readImage(const cv::Mat &_img, double _cur_time)
{
cv::Mat img;
TicToc t_r;
cur_time = _cur_time;
//如果EQUALIZE=1,表示太亮或太暗,进行直方图均衡化处理
if (EQUALIZE)
{
//自适应直方图均衡
cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(3.0, cv::Size(8, 8));
TicToc t_c;
clahe->apply(_img, img);
ROS_DEBUG("CLAHE costs: %fms", t_c.toc());
}
else
img = _img;
if (forw_img.empty())
{
//如果当前帧的图像数据forw_img为空,说明当前是第一次读入图像数据
//将读入的图像赋给当前帧forw_img,同时还赋给prev_img、cur_img
prev_img = cur_img = forw_img = img;
}
else
{
//否则,说明之前就已经有图像读入,只需要更新当前帧forw_img的数据
forw_img = img;
}
//此时forw_pts还保存的是上一帧图像中的特征点,所以把它清除
forw_pts.clear();
if (cur_pts.size() > 0)
{
TicToc t_o;
vector<uchar> status;
vector<float> err;
//调用cv::calcOpticalFlowPyrLK()对前一帧的特征点cur_pts进行LK金字塔光流跟踪,得到forw_pts
//status标记了从前一帧cur_img到forw_img特征点的跟踪状态,无法被追踪到的点标记为0
cv::calcOpticalFlowPyrLK(cur_img, forw_img, cur_pts, forw_pts, status, err, cv::Size(21, 21), 3);
//将位于图像边界外的点标记为0
for (int i = 0; i < int(forw_pts.size()); i++)
if (status[i] && !inBorder(forw_pts[i]))
status[i] = 0;
//根据status,把跟踪失败的点剔除
//不仅要从当前帧数据forw_pts中剔除,而且还要从cur_un_pts、prev_pts和cur_pts中剔除
//prev_pts和cur_pts中的特征点是一一对应的
//记录特征点id的ids,和记录特征点被跟踪次数的track_cnt也要剔除
reduceVector(prev_pts, status);
reduceVector(cur_pts, status);
reduceVector(forw_pts, status);
reduceVector(ids, status);
reduceVector(cur_un_pts, status);
reduceVector(track_cnt, status);
ROS_DEBUG("temporal optical flow costs: %fms", t_o.toc());
}
//光流追踪成功,特征点被成功跟踪的次数就加1
//数值代表被追踪的次数,数值越大,说明被追踪的就越久
for (auto &n : track_cnt)
n++;
//PUB_THIS_FRAME=1 需要发布特征点
if (PUB_THIS_FRAME)
{
//通过基本矩阵剔除outliers
rejectWithF();
ROS_DEBUG("set mask begins");
TicToc t_m;
setMask();//保证相邻的特征点之间要相隔30个像素,设置mask
ROS_DEBUG("set mask costs %fms", t_m.toc());
ROS_DEBUG("detect feature begins");
TicToc t_t;
//计算是否需要提取新的特征点
int n_max_cnt = MAX_CNT - static_cast<int>(forw_pts.size());
if (n_max_cnt > 0)
{
if(mask.empty())
cout << "mask is empty " << endl;
if (mask.type() != CV_8UC1)
cout << "mask type wrong " << endl;
if (mask.size() != forw_img.size())
cout << "wrong size " << endl;
cv::goodFeaturesToTrack(forw_img, n_pts, MAX_CNT - forw_pts.size(), 0.01, MIN_DIST, mask);
}
else
n_pts.clear();
ROS_DEBUG("detect feature costs: %fms", t_t.toc());
ROS_DEBUG("add feature begins");
TicToc t_a;
//添将新检测到的特征点n_pts添加到forw_pts中,id初始化-1,track_cnt初始化为1.
addPoints();
ROS_DEBUG("selectFeature costs: %fms", t_a.toc());
}
//当下一帧图像到来时,当前帧数据就成为了上一帧发布的数据
prev_img = cur_img;
prev_pts = cur_pts;
prev_un_pts = cur_un_pts;
//把当前帧的数据forw_img、forw_pts赋给上一帧cur_img、cur_pts
cur_img = forw_img;
cur_pts = forw_pts;
//根据不同的相机模型去畸变矫正和转换到归一化坐标系上,计算速度
undistortedPoints();
prev_time = cur_time;
}
3、探讨与思考
4、参考文献
[1] Tong Q , Li P , Shen S . VINS-Mono[J]. IEEE Transactions on Robotics, 2018.