ORB-SLAM2学习4 initializer.h

标签：aqi   vnc   dwz   模型选择   reg   odk   jic   ica   const   

orb-slam2   Inlitializer.h  头文件的学习

a.预备知识，主要读取了作者的论文。　

　　作者在论文中提到，这个头文件定义的东西全是用于单目的，双目和RGBD不需要初始化。地图初始化的目的就是得到两帧的相对运动，R  T,  然后根据 R T 和这两帧匹配好的关键点，三角化出初始的三 　　维地图。论文里面提到了一共有5步。

　　1.在当前帧与参考帧之间提取ORB特征，就行匹配。

　　2.开启两个同步线程，同时计算H矩阵和F矩阵，H=homography 用于特征点都是在同平面的情况，F=fundomental 用于特征点不在同一平面的情况。代码中使用8个点就能恢复出想要的H 和F，具体怎么处理 　　呢？代码中随机的选8个点，（当前帧和参考帧的8个匹配好的点对，一共8对），一共挑选选200次，选出得分最高的H，F。这里得分如何计算？作者论文中详细的提到了计算方法。

　　具体解释：M可取F H。我们以M=F为例，首先看到的是，S_F是一个累加。因为选了8个点，所以累加8次。ρ_F的计算已经给出来了。这里最重要的是d² 的计算， 就是指把第一帧里面的每一个选中的点，重投影到第二帧后得到的重投影误差，平方，和第二帧里面选中的投影到第一帧里面形成的重投影误差，平方。然后Γ 取的是5.99.这里就计算得到了得分。

　　3.模型选择选H还是F。

        R_H>0.45选择H，否则选择F

　     4，恢复出运动和地图的三维结构

　　　意思就是从H，或者F中分解出R 和 T ,然后根据R T 三角化匹配好的关键点，得到这些关键点的3D坐标。这就是所谓的初始化地图。

        5 .BA

b.各个函数解释。

公共函数：

1.     Initializer(const Frame &ReferenceFrame, float sigma = 1.0, int iterations = 200);

 构造函数：给出参考帧，和迭代系数。

2.     bool Initialize(const Frame &CurrentFrame, const vector<int> &vMatches12,
                    cv::Mat &R21, cv::Mat &t21, vector<cv::Point3f> &vP3D, vector<bool> &vbTriangulated);

        a.@const Frame &CurrentFrame:输入的参考帧。                         b.@const vector<int> &vMatches12:输入的匹配。

        c.  @cv::Mat &R21                          输出的motion                            d @cv::Mat &t21                                  输出的motion 

        e.@vector<cv::Point3f> &vP3D:输出的三维地图也就是初始化的地图。f:@vector<bool> &vbTriangulated) 输出。

具体实现： 首先是找到参考帧和当前帧的配对关系。把这个一一对应关系放入mvMatches12.push_back(make_pair(i,vMatches12[i])).中。然后构造一个200行8列的二维数组vector<vector<size_t> > mvSets   。最后就是开启两个个线程计算H，F，得到想要的结果。

私有函数：

3 .void FindHomography(vector<bool> &vbMatchesInliers, float &score, cv::Mat &H21);
4 .void FindFundamental(vector<bool> &vbInliers, float &score, cv::Mat &F21);

首先：3个参数全部都是输出。

具体实现：两个函数实现都是一样的。首先就是将第一帧的关键点和第二帧的关键点全部normalize. 循环200次，分别计算出每次循环的得分，找出最高的得分。以及最高得分对应的H(F),vbMatchesInliers(vbInliers)。

5.cv::Mat ComputeH21(const vector<cv::Point2f> &vP1, const vector<cv::Point2f> &vP2);
6.cv::Mat ComputeF21(const vector<cv::Point2f> &vP1, const vector<cv::Point2f> &vP2);

首先：两个参数都是输入，输出的就是H，F矩阵。

具体的实现：其实就是根据8个点对，由对极约束或者是，H的约束，来获得H F。具体可看高博的十四讲。

7. float CheckHomography(const cv::Mat &H21, const cv::Mat &H12, vector<bool> &vbMatchesInliers, float sigma);

 8.float CheckFundamental(const cv::Mat &F21, vector<bool> &vbMatchesInliers, float sigma);

首先:输入 H（F）,sigama.输出的是在这种H(F)下的得分，和vbMatchesInliers。

具体实现：见a.预备知识里面的2.

 9.bool ReconstructF(vector<bool> &vbMatchesInliers, cv::Mat &F21, cv::Mat &K,
                      cv::Mat &R21, cv::Mat &t21, vector<cv::Point3f> &vP3D, vector<bool> &vbTriangulated, float minParallax, int minTriangulated);

 10.bool ReconstructH(vector<bool> &vbMatchesInliers, cv::Mat &H21, cv::Mat &K,
                      cv::Mat &R21, cv::Mat &t21, vector<cv::Point3f> &vP3D, vector<bool> &vbTriangulated, float minParallax, int minTriangulated);

首先：1@ vector<bool> &vbMatchesInliers：输入参数。2@ cv::Mat &F21：输入参数，计算得到的F矩阵   3@ cv::Mat &K：输入参数，代表相机参数。4 @cv::Mat &R21：输出的R。  5 @cv::Mat &t21：输出的t   6 @ vector<cv::Point3f> &vP3D:输出的3D点。7 @ vector<bool> &vbTriangulated：输出。表示点是不是三角化了。8@float minParallax：输入，最小的视差。9@ int minTriangulated 输入。

具体解释：我们知道的从E，H中直接分解出R T 是不唯一的，会分解出4种（8种）情况，这两个函数就是根据一些手段，和先验知识恢复得到正确唯一的R  T。

 11.void Triangulate(const cv::KeyPoint &kp1, const cv::KeyPoint &kp2, const cv::Mat &P1, const cv::Mat &P2, cv::Mat &x3D);

首先：1 @const cv::KeyPoint &kp1：输入的第一帧关键点。                                    2 @const cv::KeyPoint &kp2：输入与第一帧匹配的第二帧关键点 。

           3 @ const cv::Mat &P1 ：第一帧的相机参数K*T。                                          4 @: const cv::Mat &P2 .第二帧的相机参数K*T。  

            5 @:cv::Mat &x3D   输出的三角化的点。

12.void Normalize(const vector<cv::KeyPoint> &vKeys, vector<cv::Point2f> &vNormalizedPoints, cv::Mat &T);

首先:1 @ const vector<cv::KeyPoint> &vKeys. 输入的关键点。2 @：vector<cv::Point2f> &vNormalizedPoints：输出的点。3 @：cv::Mat &T：输出的T，在  void FindHomography(vector<bool> &vbMatchesInliers, float &score, cv::Mat &H21);void FindFundamental(vector<bool> &vbInliers, float &score, cv::Mat &F21);函数里面用到了。

具体实现：首次先算出输入所有关键点的平均值meanX,meanY(关键点x,y的平均值)
                  其次每个关键点的x,y与这个平均值meanX,meanY做差。将所有的差绝对值加起来求平均值
                  得到meanDevX,meanDevY.   讲上面那些差除以meanDevXm,meanDevY,就得到输出的vNormalizedPoints

 13.int CheckRT(const cv::Mat &R, const cv::Mat &t, const vector<cv::KeyPoint> &vKeys1, const vector<cv::KeyPoint> &vKeys2,
                       const vector<Match> &vMatches12, vector<bool> &vbInliers,
                       const cv::Mat &K, vector<cv::Point3f> &vP3D, float th2, vector<bool> &vbGood, float &parallax);

首先：1 @ const cv::Mat &R,  输入1->2                                                       2 @ const cv::Mat &t ：输入 1->2                                   3 @ const vector<cv::KeyPoint> &vKeys1  输入         

           4 @ const vector<cv::KeyPoint> &vKeys2：输入                             5 @ const vector<Match> &vMatches12  ：输入           6 @ vector<bool> &vbInliers ：输入      

           7 @  const cv::Mat &K ：相机参数输入                                              8 @ vector<cv::Point3f> &vP3D 输出                             9 @ float th2  ：输入（重投影误差的平方误差） 

          10 @ vector<bool> &vbGood ：输出                                                     11 @ float &parallax  ：输出视差。

具体实现：首先将第一个相机放在原点。构造两个3X4的矩阵。其等于相机参数K 乘以这帧的T。然后得到第二个相机中心在第一个相机坐标系（可以看成世界坐标系）下的坐标。然后进入一个循环，循环每次都要计算视差。啥叫视差？首先计算匹配好的点在世界坐标系下(第一个相机坐标系下)的3D坐标，从第一个相机中心出发连接这个3D点得到一条射线，从第二个相机的中心出发连接这个3 D点得到一条射线，这两条射线之间的夹角就是视差(parallax)，检测视差，分别检测两帧下的深度，和重投影误差。返回3D点。因为没对返回视差。

14.void Initializer::DecomposeE(const cv::Mat &E, cv::Mat &R1, cv::Mat &R2, cv::Mat &t)

 首先: 1 @ const cv::Mat &E ：输入        2 @ cv::Mat &R1 ：输出       3 @ cv::Mat &R2  ：输出        4 @ cv::Mat &t  ：输出

 具体解释：就是分解E

ORB-SLAM2学习4 initializer.h

标签：aqi   vnc   dwz   模型选择   reg   odk   jic   ica   const   

原文地址：http://www.cnblogs.com/panda1/p/6959673.html