svn教程图文详解 - 青岛网站建设,seo关键词排名技术,logo设计公司哪家好,wordpress外贸主题免费下载背景#xff1a;前面用了几篇文章来记录和总结了#xff0c;我在研究bundlefusion过程中遇到的一些问题以及解决方法#xff0c;本来想实现给bundlefusion输入先验轨迹#xff0c;然后让其根据给定的轨迹进行重建#xff0c;这样即便在环境比较恶劣的情况下#xff0c;也…背景前面用了几篇文章来记录和总结了我在研究bundlefusion过程中遇到的一些问题以及解决方法本来想实现给bundlefusion输入先验轨迹然后让其根据给定的轨迹进行重建这样即便在环境比较恶劣的情况下也可以使用给定的位姿完成重建任务但是这段时间对bundlefusion有了新的认识意识到这件事没有我想象的那么简单。bundlefusion的研究工作就要告一段落了所以最后我对bundlefusion做一个大的总结把网络上一些经典的文章整合起来。 一、 首先是先明白bundlefusion的工作原理当然要阅读他的论文英文的论文也不是很难读当然也可以看我师兄的总结文章https://blog.csdn.net/fuxingyin/article/details/52921958有了这篇文章如果想了解的更具体那么就认真阅读一遍bundlefusion的论文主要关注一下bf的优化机制。 二、 另外一个重点当然是读代码了说实话代码我读的不是很通透主要是参考这篇文章https://zhuanlan.zhihu.com/p/86718461 了解了代码的脉络在这里我将在这篇文章的基础上添加一些细节这样不仅让我自己对bf的代码有更加深刻的理解同时也希望能给志同道合的小伙伴更加高效的学习bf的方法。 三、制作.sens数据集可以参考我前一段时间写的博客https://blog.csdn.net/weixin_38636815/article/details/107694846 四、BundleFusion代码讲解 1. bundlefusion中的主要参数 bundlefusion工程中有很多参数众多的参数被分到两个文件中zParametersBundlingDefault.txt和zParametersDefault.txt。 在zParametersBundlingDefault.txt中重要参数如下 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 在上面的这四个参数中s_numLocalLinIterations 起到了关键的作用下面是我在ICL_NUIM数据集上测试的几组参数的模型效果也可以看出s_numLocalLinIterations 起到了重要的作用。 s_numLocalNonLinIterations 1; s_numLocalLinIterations 1; s_numGlobalNonLinIterations 1; s_numGlobalLinIterations 1; s_numLocalNonLinIterations 1; s_numLocalLinIterations 50; s_numGlobalNonLinIterations 1; s_numGlobalLinIterations 1; s_numLocalNonLinIterations 1; s_numLocalLinIterations 1; s_numGlobalNonLinIterations 1; s_numGlobalLinIterations 100;  s_downsampledWidth 80;s_downsampledHeight 60 上面两个参数主要是用于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确实。我测试自己的数据集时使用的是kinectv2深度相机获取的960x540的图像发现在测试一次采集的数据时有很长一段距离跟踪失败导致最终重建的模型确实一大块我抱着试试看的态度调试参数在修改了这两个参数后之前跟丢的部分竟然跟踪上了。所以要根据你实际使用的图像的分辨率来调节这两个参数。 在zParametersDefault.txt文件中 s_maxNumKeysPerImage 1024; //每一帧图像上检测的最多的sift特征点的个数。s_widthSIFT 640;s_heightSIFT 480;s_windowWidth 640;        //render window widths_windowHeight 480;s_integrationWidth 320;    //input depth gets re-sampled to this width (decrease to improve perf.)s_integrationHeight 240;    //input depth gets re-sampled to this height (decrease to improve perf.)s_rayCastWidth 320;        //should be same as integration except if rendering videos_rayCastHeight 240; 上面这些跟输入的图像的分辨率有关的参数也一定要根据自己使用的数据来响应的修改。 2. 不怕大家见笑我刚开始读orb-slam2代码的时候过了好久才想到我还一直没有去看程序的主函数呢哈哈现在想想这真是作为程序员的耻辱。以后无论读什么代码我都必须先找到main函数然后去先捋清楚代码的主干脉络并且使用xmind软件将代码的思维导图画出来这样整个工程的主干就很清楚了。 main FriedLiver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.txtstd::thread bundlingThread(bundlingThreadFunc); //开启多线程进行跟踪和优化。  std::thread(bundlingOptimizationThreadFunc); bundlingOptimization(); g_bundler-process() optimizeLocal() processGlobal()optimizeGlobal()startDepthSensing(g_bundler, getRGBDSensor(), g_imageManager); //重建startDepthSensing OnD3D11FrameRender bool bGotDepth g_CudaImageManager-process(); // Read Inputreintegrate(); //更新模型包括deintegrate和integrateintegrate(depthCameraData, transformation); //Reconstruction of current frameRenderStopScanningAndExit(); //这个函数中实现将计算的位姿保存的.sens中的pose数据并且生成.ply模型OnlineBundler OnlineBundler m_bHasProcessedInputFramefalsem_bExitBundlingThreadfalsem_lastFrameProcessed -1getCurrentFrameprocessInput  Bundler::detectFeatures() Bundler::storeCachedFrame() Bundler::matchAndFilter()process//BundleFusion Optimization optimizeLocal() processGlobal()optimizeGlobal()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CUDASolverBundling 求解器BundleFusion代码对于我来说还是太庞大了在短时间内很难吃透很多细节这一阶段的bundlefusion的研究就暂时告一段落了如果以后有机会重新开始研究他。