在前面中，通过块匹配来获得匹配结果。块匹配的正确与否，依赖于图像块是否具有区分度，有明显梯度的小块将具有良好的区分度。对于梯度不明显的像素，将比较难估计其有效深度。立体视觉一个常见问题：对物体纹理的依赖性。
像素梯度与极线的关系：像素梯度平行于极线方向以及垂直于极线方向。 像素梯度垂直于极线：当沿极线寻找的时候，发现匹配程度是一样的，得到不到有效匹配。 像素梯度平行于极线：能够精确的找到匹配程度最高的地方。
但是实际上极线与相机深度是有一定的角度的，从上面我们可以看到角度越大，匹配的不确定性越大，角度越小，匹配的不确定性越小。
当我们描述一个点时，可以用（x,y,z）三个量来描述，而这三个亮可能存在明显的相关性，如果不太好。我们可以描述成（u，v）和d来表示一个点，毕竟相互独立。我们假设的是深度值满足高斯分布 但是，存在以下问题： 1.场景深度大概5-10米，但近处肯定不会小于相机焦距。这个分布并不是像高斯分布那样，形成对称形状，尾部可能稍微长一点，而负数区域为0。 2.在室外应用中，存在距离非常远的点，高斯分布描述他们会有数值计算上的困难。 因此我们设深度的倒数，即逆深度为服从高斯分布，可修改上述程序。
在块匹配之前，做一次图像到图像间的变换是一种常见的预处理方式。我们假设图像小块在相机运动时保持不变，而这个假设在相机平移时能保持不变，但是发生明显的旋转时难以保持。
根据相机模型，参考帧上的一个像素与真实的三维点世界坐标关系为： ，对于当前帧，亦有在它上面的投影。，消去，可以得到俩副图像之间的像素关系。
—-讨论：尽管双目和移动单目能够建立稠密的地图，但是我们认为它们过于依赖环境纹理和光照，不够可靠。—–
在使用RGB-D进行建图的过程中，我们使用俩种滤波器过滤掉部分点云：外点去除滤波器和降采样滤波器。
#include <ros/ros.h> #include <iostream> #include <fstream> using namespace std; #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <Eigen/Geometry> #include <boost/format.hpp> // for formating strings #include <pcl/point_types.h> #include <pcl/io/pcd_io.h> #include <pcl/filters/voxel_grid.h> #include <pcl/visualization/pcl_visualizer.h> #include <pcl/filters/statistical_outlier_removal.h> int main( int argc, char** argv ) { vector<cv::Mat> colorImgs, depthImgs; // 彩色图和深度图 vector<Eigen::Isometry3d> poses; // 相机位姿 ifstream fin("/home/hansry/Slam_Book/src/Pointcloud_mapping/data/pose.txt"); if (!fin) { cerr<<"cannot find pose file"<<endl; return 1; } for ( int i=0; i<5; i++ ) { boost::format fmt( "/home/hansry/Slam_Book/src/Pointcloud_mapping/data/%s/%d.%s" ); //图像文件格式 colorImgs.push_back( cv::imread( (fmt%"color"%(i+1)%"png").str() )); depthImgs.push_back( cv::imread( (fmt%"depth"%(i+1)%"pgm").str(), -1 )); // 使用-1读取原始图像 double data[7] = {0}; for ( int i=0; i<7; i++ ) { fin>>data[i]; } Eigen::Quaterniond q( data[6], data[3], data[4], data[5] ); Eigen::Isometry3d T(q); T.pretranslate( Eigen::Vector3d( data[0], data[1], data[2] )); poses.push_back( T ); } // 计算点云并拼接 // 相机内参 double cx = 325.5; double cy = 253.5; double fx = 518.0; double fy = 519.0; double depthScale = 1000.0; cout<<"正在将图像转换为点云..."<<endl; // 定义点云使用的格式：这里用的是XYZRGB typedef pcl::PointXYZRGB PointT; typedef pcl::PointCloud<PointT> PointCloud; // 新建一个点云 PointCloud::Ptr pointCloud( new PointCloud ); for ( int i=0; i<5; i++ ) { PointCloud::Ptr current( new PointCloud ); cout<<"转换图像中: "<<i+1<<endl; cv::Mat color = colorImgs[i]; cv::Mat depth = depthImgs[i]; Eigen::Isometry3d T = poses[i]; for ( int v=0; v<color.rows; v++ ) for ( int u=0; u<color.cols; u++ ) { unsigned int d = depth.ptr<unsigned short> ( v )[u]; // 深度值 if ( d==0 ) continue; // 为0表示没有测量到 if ( d >= 7000 ) continue; // 深度太大时不稳定，去掉 Eigen::Vector3d point; point[2] = double(d)/depthScale; point[0] = (u-cx)*point[2]/fx; point[1] = (v-cy)*point[2]/fy; Eigen::Vector3d pointWorld = T*point; //将相机的点转换成世界坐标系的点 PointT p ; p.x = pointWorld[0]; p.y = pointWorld[1]; p.z = pointWorld[2]; p.b = color.data[ v*color.step+u*color.channels() ]; p.g = color.data[ v*color.step+u*color.channels()+1 ]; p.r = color.data[ v*color.step+u*color.channels()+2 ]; current->points.push_back( p ); } // depth filter and statistical removal，外点去除滤波器 PointCloud::Ptr tmp ( new PointCloud ); pcl::StatisticalOutlierRemoval<PointT> statistical_filter; statistical_filter.setMeanK(50); statistical_filter.setStddevMulThresh(1.0); statistical_filter.setInputCloud(current); statistical_filter.filter( *tmp ); (*pointCloud) += *tmp; } pointCloud->is_dense = false; cout<<"点云共有"<<pointCloud->size()<<"个点."<<endl; // voxel filter，降采样滤波器 pcl::VoxelGrid<PointT> voxel_filter; voxel_filter.setLeafSize( 0.01, 0.01, 0.01 ); // resolution PointCloud::Ptr tmp ( new PointCloud ); voxel_filter.setInputCloud( pointCloud ); voxel_filter.filter( *tmp ); tmp->swap( *pointCloud ); cout<<"滤波之后，点云共有"<<pointCloud->size()<<"个点."<<endl; pcl::io::savePCDFileBinary("map.pcd", *pointCloud );//保存pcd文件 return 0; }通过pcl_viewer map.pcd 可查看结果如下：
尽管pcd有很多好处，但是也有几个明显的缺陷： 1.点云地图通常规模很大，所以pcd文件也会很大。同时点云图也提供了一些非必要的细节，例如地毯的褶皱等，导致空间浪费。 2.点云地图无法处理运动物体，只能“添加点”而不能“去除点”。
提供灵活的、压缩的、又能随时更新的地图形式：八叉图(把一个小方块分成同样大小的八块或从一个节点展开成八个子节点)。结构如下图所示：
在这里八叉树的结构与字典有点不同，八叉树的节点都是8个，如果叶子节点的方块大小为1，当有10层的时候，就有
