视觉半稠密点云匹配性能测试：基于分割描述符法

简介：

1. SegMap是一种点云全局对齐的方法，原工作主要是针对lidar点云的。
2. SegMap的特点是速度非常快，鲁棒性很好，因为提取了特征描述符。
3. 本工作主要把SegMap方法尝试在视觉生成的半稠密点云上应用。
4. 具体原理见：https://blog.csdn.net/ziliwangmoe/article/details/87445298

测试方案：

1. 使对统一条街，两次采集图像数据，用DSO生成半稠密点云
2. 将两份点云使用segmap进行分割和提取描述符后进行匹配的对齐

测试结果：

1. 
2. 红色和白色分别是两次采集的点云在被分割后的样子。两次采集只有中间的街道是重叠区域
3. 
4. 
5. 中间的街道是两次采集重叠的区域，通过segmap匹配后，基本对齐了。
6. 
7. 细致发现其实不是所有地方多对齐得很好。这个主要是因为两份地图的scale不是完全的一致。所以不可能做到远距离的匹配。其实上面的对齐并没有用到整条街道的匹配。只用了街道一端的匹配，所以另一段就没有完全对齐了。
8. 
9. 单独用街道另外一端一小点点云和另外一个点云对齐就能对其上，虽然重合得不是太好，但是后续加上ndt就能完全对齐。
10. 
11. segmap对点云分割的结果。还是扔掉了很多的点。

结论：

1. SegMap的确是非常的robust，两份点云的确是非常的不一致。
2. 全局的一致性对匹配效果影响很大，也就是source点云一定不要太大了。
3. 在分割和描述的提取上还有很大的提升空间，可以更具场景的特点采用不同的策略。

代码：

1. https://github.com/rabienrose/3d_vision/tree/master/visual_map/src/pointcloud_match/desc_matcher
2. 使用catkin build编译，如果不知道catkin build是什么的，请先自行学习。
3. 拷贝三方库
4. 所有依赖都在拷贝的三方库中

使用：

1. 需要文件：
   1. 配置文件：pc_match_config.yaml。里面主要是segmap算法的配置
   2. 启动脚本：gen_pc_desc.sh
   3. 配置文件和脚本都在代码库中，自行搜索
   4. source点云pcd
   5. target点云pcd
   6. 描述符文件，由描述符提取功能生成
2. 流程：
   1. 脚本中修改./devel/lib/pcdesc_matcher/pcdesc_matcher ${root_dir} loc
      1. 执行文件路径
      2. 最后的loc是代表定位模式还是描述符提取模式，如果要提去描述符就设置为gen_map
   2. 修改点云文件名为：semi_pc.pcd
   3. 把所有需要的文件放在一个目录里面，比如如下：
      1. features_database.csv 生成的描述符文件，生成描述符的时候不需要
      2. segments_database.csv 生成的描述符文件，生成描述符的时候不需要
      3. pc_match_config.yaml
      4. semi_pc.pcd
   4. 最后使用gen_pc_desc.sh运行程序，gen_pc_desc.sh程序的入参就是上面包含所有文件的那个目录路径

重要的配置参数

1. Segmenters
   1. radius_for_growing：设置越大，分割就越大快，越小就月零碎。分割太大不容易被匹配上，分割太小又会让产生更多噪音。
   2. min_cluster_size：主要根据点云的密度来设置，因为视觉点云相对lidar很稀疏，这里设置为最小值50
2. GeometricConsistency
   1. resolution：决定误差在多少以内算作内点。设置太低，很难成功匹配上，太高的话会被匹配到错误的地方
   2. min_cluster_size：这个一般设置为6就行。意思是内点小于多少才算是成功被匹配，大于6基本对匹配成功与否判断比较准确，但是resolution不同也会影响这个的作用。
3. Classifier
   1. n_nearest_neighbours：找一个描述符最相近的其他描述符的时候，需要找多少个点，也就是最相似的多少个描述符。一般设置为120。这个值越大，送入后面几何一致性判断模块的预先匹配就越多，也就是内点率就越低。