第三講 特征提取與配准
2016.11 更新
- 把原文的SIFT替換成了ORB，這樣你可以在沒有nonfree模塊下使用本程序了。
- OpenCV可以使用 apt-get install libopencv-dev ，一樣能成功。
- 因為換成了ORB，所以調整了good match的閾值，並且匹配時需要使用 Brute Force match。
- 請以現在的github上源碼為准。
師兄：同學們大家好，又到我們每周一次的“一起做RGB-D SLAM”時間啦！大家還記得上周我們講了什么東西嗎？
小蘿卜：等一下師兄！我們的博客什么時候變成每周一更了？
師兄：這個，這不是因為終於到暑假了，我可以專門搞學術了嘛。
小蘿卜：胡說！前兩天我還看到你在超市開挖掘機來着！
師兄：這事你就別提了啊……
小蘿卜：我還有照片為證呢！
師兄：你能不能別提這個事了啊……我們趕緊開始講課吧。
小蘿卜：師兄，那可是兒童專區啊，您可是個博士，自重啊！
上講回顧
在上一講中，我們介紹了如何把2D圖像坐標轉換為3D空間坐標。然后，利用推導的數學公式，實現了把圖像轉化為點雲的程序。在上一講的末尾，我們給出了一道作業題，希望讀者去把這兩件事做成一個函數庫，以供將來調用。不知道大家回去之后做了沒有呢？
小蘿卜：讀者這么勤奮肯定已經做好了啦！
師兄：嗯，所以呢，這一講里面我們就要用到上面兩個函數了。在講解本講的內容之前，先介紹一下我們是如何封裝上節課代碼的。在 代碼根目錄/include 下，我們新建了一個 slamBase.h 文件，存放上一講以及以后講到的各種函數：
include/slamBase.h:
1 /************************************************************************* 2 > File Name: rgbd-slam-tutorial-gx/part III/code/include/slamBase.h 3 > Author: xiang gao 4 > Mail: gaoxiang12@mails.tsinghua.edu.cn 5 > Created Time: 2015年07月18日 星期六 15時14分22秒 6 > 說明：rgbd-slam教程所用到的基本函數（C風格） 7 ************************************************************************/ 8 # pragma once 9 10 // 各種頭文件 11 // C++標准庫 12 #include <fstream> 13 #include <vector> 14 using namespace std; 15 16 // OpenCV 17 #include <opencv2/core/core.hpp> 18 #include <opencv2/highgui/highgui.hpp> 19 20 //PCL 21 #include <pcl/io/pcd_io.h> 22 #include <pcl/point_types.h> 23 24 // 類型定義 25 typedef pcl::PointXYZRGBA PointT; 26 typedef pcl::PointCloud<PointT> PointCloud; 27 28 // 相機內參結構 29 struct CAMERA_INTRINSIC_PARAMETERS 30 { 31 double cx, cy, fx, fy, scale; 32 }; 33 34 // 函數接口 35 // image2PonitCloud 將rgb圖轉換為點雲 36 PointCloud::Ptr image2PointCloud( cv::Mat& rgb, cv::Mat& depth, CAMERA_INTRINSIC_PARAMETERS& camera ); 37 38 // point2dTo3d 將單個點從圖像坐標轉換為空間坐標 39 // input: 3維點Point3f (u,v,d) 40 cv::Point3f point2dTo3d( cv::Point3f& point, CAMERA_INTRINSIC_PARAMETERS& camera );
可以看到，我們把相機參數封裝成了一個結構體，另外還聲明了 image2PointCloud 和 point2dTo3d 兩個函數。然后，在 src/ 目錄下新建 slamBase.cpp 文件：
src/slamBase.cpp
1 /************************************************************************* 2 > File Name: src/slamBase.cpp 3 > Author: xiang gao 4 > Mail: gaoxiang12@mails.tsinghua.edu.cn 5 > Implementation of slamBase.h 6 > Created Time: 2015年07月18日 星期六 15時31分49秒 7 ************************************************************************/ 8 9 #include "slamBase.h" 10 11 PointCloud::Ptr image2PointCloud( cv::Mat& rgb, cv::Mat& depth, CAMERA_INTRINSIC_PARAMETERS& camera ) 12 { 13 PointCloud::Ptr cloud ( new PointCloud ); 14 15 for (int m = 0; m < depth.rows; m++) 16 for (int n=0; n < depth.cols; n++) 17 { 18 // 獲取深度圖中(m,n)處的值 19 ushort d = depth.ptr<ushort>(m)[n]; 20 // d 可能沒有值，若如此，跳過此點 21 if (d == 0) 22 continue; 23 // d 存在值，則向點雲增加一個點 24 PointT p; 25 26 // 計算這個點的空間坐標 27 p.z = double(d) / camera.scale; 28 p.x = (n - camera.cx) * p.z / camera.fx; 29 p.y = (m - camera.cy) * p.z / camera.fy; 30 31 // 從rgb圖像中獲取它的顏色 32 // rgb是三通道的BGR格式圖，所以按下面的順序獲取顏色 33 p.b = rgb.ptr<uchar>(m)[n*3]; 34 p.g = rgb.ptr<uchar>(m)[n*3+1]; 35 p.r = rgb.ptr<uchar>(m)[n*3+2]; 36 37 // 把p加入到點雲中 38 cloud->points.push_back( p ); 39 } 40 // 設置並保存點雲 41 cloud->height = 1; 42 cloud->width = cloud->points.size(); 43 cloud->is_dense = false; 44 45 return cloud; 46 } 47 48 cv::Point3f point2dTo3d( cv::Point3f& point, CAMERA_INTRINSIC_PARAMETERS& camera ) 49 { 50 cv::Point3f p; // 3D 點 51 p.z = double( point.z ) / camera.scale; 52 p.x = ( point.x - camera.cx) * p.z / camera.fx; 53 p.y = ( point.y - camera.cy) * p.z / camera.fy; 54 return p; 55 }
最后，在 src/CMakeLists.txt 中加入以下幾行，將 slamBase.cpp 編譯成一個庫，供將來調用：
ADD_LIBRARY( slambase slamBase.cpp ) TARGET_LINK_LIBRARIES( slambase ${OpenCV_LIBS} ${PCL_LIBRARIES} )
這兩句話是說，把slamBase.cpp編譯成 slamBase 庫，並把該庫里調到的OpenCV和PCL的部分，和相應的庫鏈接起來。是不是感覺代碼更有條理了呢？今后，我們會在每一講里介紹新的內容，並把實現的代碼封裝里這個slamBase庫中。
圖像配准 數學部分
SLAM是由“定位”（Localization)和“建圖”（Mapping)兩部分構成的。現在來看定位問題。要求解機器人的運動，首先要解決這樣一個問題：給定了兩個圖像，如何知道圖像的運動關系呢？
這個問題可以用基於特征的方法（feature-based）或直接的方法（direct method）來解。雖說直接法已經有了一定的發展，但目前主流的方法還是基於特征點的方式。在后者的方法中，首先你需要知道圖像里的“特征”，以及這些特征的一一對應關系。
假設我們有兩個幀：$F_1$和$F_2$. 並且，我們獲得了兩組一一對應的特征點：$$P=\{p_1, p_2, \ldots, p_N \} \in F_1 $$ $$Q=\{ q_1, q_2, \ldots, q_N \} \in F_2 $$. 其中$p$和$q$都是$R^3$中的點。
我們的目的是求出一個旋轉矩陣$R$和位移矢量$t$，使得：$$ \forall i, p_i = R q_i + t $$.
然而實際當中由於誤差的存在，等號基本是不可能的。所以我們通過最小化一個誤差來求解$R,t$:
$$\min\limits_{R,t} \sum\limits_{i=1}^{N} \| p_i - (R q_i + t) \|_2 $$
這個問題可以用經典的ICP算法求解。其核心是奇異值分解(SVD)。我們將調用OpenCV中的函數求解此問題，所以在此就不細講ICP的具體步驟了。有興趣的讀者可以參閱1987年PAMI上的一篇文章，也是最原始的ICP方法：Least-squares fitting of two 3-D point sets。
那么從這個數學問題上來講，我們的關鍵就是要獲取一組一一對應的空間點，這可以通過圖像的特征匹配來完成。
提示：由於OpenCV中沒有提供ICP，我們在實現中使用PnP進行求解。
圖像配准 編程實現
本節中，我們要匹配兩對圖像，並且計算它們的位移關系。它們分別是rgb1,png, rgb2.png, depth1.png, depth2.png. 人眼可以直觀地看到第二個圖是向左轉動了一些。
照例，我們先給出完整的程序代碼。讀者可以先把代碼瀏覽一遍，我們再加以詳細的解釋。因為本節的代碼比較長，我把它折疊起來，否則排版就太長了。
1 /************************************************************************* 2 > File Name: detectFeatures.cpp 3 > Author: xiang gao 4 > Mail: gaoxiang12@mails.tsinghua.edu.cn 5 > 特征提取與匹配 6 > Created Time: 2015年07月18日 星期六 16時00分21秒 7 ************************************************************************/ 8 9 #include<iostream> 10 #include "slamBase.h" 11 using namespace std; 12 13 // OpenCV 特征檢測模塊 14 #include <opencv2/features2d/features2d.hpp> 15 #include <opencv2/nonfree/nonfree.hpp> 16 #include <opencv2/calib3d/calib3d.hpp> 17 18 int main( int argc, char** argv ) 19 { 20 // 聲明並從data文件夾里讀取兩個rgb與深度圖 21 cv::Mat rgb1 = cv::imread( "./data/rgb1.png"); 22 cv::Mat rgb2 = cv::imread( "./data/rgb2.png"); 23 cv::Mat depth1 = cv::imread( "./data/depth1.png", -1); 24 cv::Mat depth2 = cv::imread( "./data/depth2.png", -1); 25 26 // 聲明特征提取器與描述子提取器 27 cv::Ptr<cv::FeatureDetector> _detector; 28 cv::Ptr<cv::DescriptorExtractor> _descriptor; 29 30 // 構建提取器，默認兩者都為sift 31 // 構建sift, surf之前要初始化nonfree模塊 32 cv::initModule_nonfree(); 33 _detector = cv::FeatureDetector::create( "GridSIFT" ); 34 _descriptor = cv::DescriptorExtractor::create( "SIFT" ); 35 36 vector< cv::KeyPoint > kp1, kp2; //關鍵點 37 _detector->detect( rgb1, kp1 ); //提取關鍵點 38 _detector->detect( rgb2, kp2 ); 39 40 cout<<"Key points of two images: "<<kp1.size()<<", "<<kp2.size()<<endl; 41 42 // 可視化， 顯示關鍵點 43 cv::Mat imgShow; 44 cv::drawKeypoints( rgb1, kp1, imgShow, cv::Scalar::all(-1), cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS ); 45 cv::imshow( "keypoints", imgShow ); 46 cv::imwrite( "./data/keypoints.png", imgShow ); 47 cv::waitKey(0); //暫停等待一個按鍵 48 49 // 計算描述子 50 cv::Mat desp1, desp2; 51 _descriptor->compute( rgb1, kp1, desp1 ); 52 _descriptor->compute( rgb2, kp2, desp2 ); 53 54 // 匹配描述子 55 vector< cv::DMatch > matches; 56 cv::FlannBasedMatcher matcher; 57 matcher.match( desp1, desp2, matches ); 58 cout<<"Find total "<<matches.size()<<" matches."<<endl; 59 60 // 可視化：顯示匹配的特征 61 cv::Mat imgMatches; 62 cv::drawMatches( rgb1, kp1, rgb2, kp2, matches, imgMatches ); 63 cv::imshow( "matches", imgMatches ); 64 cv::imwrite( "./data/matches.png", imgMatches ); 65 cv::waitKey( 0 ); 66 67 // 篩選匹配，把距離太大的去掉 68 // 這里使用的准則是去掉大於四倍最小距離的匹配 69 vector< cv::DMatch > goodMatches; 70 double minDis = 9999; 71 for ( size_t i=0; i<matches.size(); i++ ) 72 { 73 if ( matches[i].distance < minDis ) 74 minDis = matches[i].distance; 75 } 76 77 for ( size_t i=0; i<matches.size(); i++ ) 78 { 79 if (matches[i].distance < 4*minDis) 80 goodMatches.push_back( matches[i] ); 81 } 82 83 // 顯示 good matches 84 cout<<"good matches="<<goodMatches.size()<<endl; 85 cv::drawMatches( rgb1, kp1, rgb2, kp2, goodMatches, imgMatches ); 86 cv::imshow( "good matches", imgMatches ); 87 cv::imwrite( "./data/good_matches.png", imgMatches ); 88 cv::waitKey(0); 89 90 // 計算圖像間的運動關系 91 // 關鍵函數：cv::solvePnPRansac() 92 // 為調用此函數准備必要的參數 93 94 // 第一個幀的三維點 95 vector<cv::Point3f> pts_obj; 96 // 第二個幀的圖像點 97 vector< cv::Point2f > pts_img; 98 99 // 相機內參 100 CAMERA_INTRINSIC_PARAMETERS C; 101 C.cx = 325.5; 102 C.cy = 253.5; 103 C.fx = 518.0; 104 C.fy = 519.0; 105 C.scale = 1000.0; 106 107 for (size_t i=0; i<goodMatches.size(); i++) 108 { 109 // query 是第一個, train 是第二個 110 cv::Point2f p = kp1[goodMatches[i].queryIdx].pt; 111 // 獲取d是要小心！x是向右的，y是向下的，所以y才是行，x是列！ 112 ushort d = depth1.ptr<ushort>( int(p.y) )[ int(p.x) ]; 113 if (d == 0) 114 continue; 115 pts_img.push_back( cv::Point2f( kp2[goodMatches[i].trainIdx].pt ) ); 116 117 // 將(u,v,d)轉成(x,y,z) 118 cv::Point3f pt ( p.x, p.y, d ); 119 cv::Point3f pd = point2dTo3d( pt, C ); 120 pts_obj.push_back( pd ); 121 } 122 123 double camera_matrix_data[3][3] = { 124 {C.fx, 0, C.cx}, 125 {0, C.fy, C.cy}, 126 {0, 0, 1} 127 }; 128 129 // 構建相機矩陣 130 cv::Mat cameraMatrix( 3, 3, CV_64F, camera_matrix_data ); 131 cv::Mat rvec, tvec, inliers; 132 // 求解pnp 133 cv::solvePnPRansac( pts_obj, pts_img, cameraMatrix, cv::Mat(), rvec, tvec, false, 100, 1.0, 100, inliers ); 134 135 cout<<"inliers: "<<inliers.rows<<endl; 136 cout<<"R="<<rvec<<endl; 137 cout<<"t="<<tvec<<endl; 138 139 // 畫出inliers匹配 140 vector< cv::DMatch > matchesShow; 141 for (size_t i=0; i<inliers.rows; i++) 142 { 143 matchesShow.push_back( goodMatches[inliers.ptr<int>(i)[0]] ); 144 } 145 cv::drawMatches( rgb1, kp1, rgb2, kp2, matchesShow, imgMatches ); 146 cv::imshow( "inlier matches", imgMatches ); 147 cv::imwrite( "./data/inliers.png", imgMatches ); 148 cv::waitKey( 0 ); 149 150 return 0; 151 }
代碼的解釋：
第一部分： 18行至52行，特征的檢測與描述子的計算。
要在一個圖像里提取特征，第一步是計算“關鍵點”，然后，針對這些關鍵點周圍的像素，計算其“描述子”。在OpenCV中，分別由cv::FeatureDetector和cv::DescriptorExtractor來計算。
1 cv::Ptr<cv::FeatureDetector> _detector = cv::FeatureDetector::create( "SIFT" ); 2 cv::Ptr<cv::DescriptorExtractor> _descriptor = cv:: DescriptorExtractor::create( "SIFT" );
然后，使用 _detector->detect()函數提取關鍵點。值得一提的是，_detector和_descriptor的類型可以由字符串指定。如果你想構建FAST, SURF等特征，只需改后面的字符串即可。
關鍵點是一種cv::KeyPoint的類型。你可以看它的API: http://docs.opencv.org/modules/features2d/doc/common_interfaces_of_feature_detectors.html?highlight=keypoint#KeyPoint 由於比較長我這里就不貼了。可以看到，KeyPoint結構中帶有 Point2f pt 這個成員變量，指這個關鍵點的像素坐標。此外，有的關鍵點還有半徑、角度等參數，畫在圖里就會像一個個的圓一樣。
有了一組KeyPoint之后，就可以調用：
1 _descriptor->compute( image, keypoint, descriptor )
在 keypoint 上計算描述子。描述子是一個cv::Mat的矩陣結構，它的每一行代表一個對應於Keypoint的特征向量。當兩個keypoint的描述子越相似，說明這兩個關鍵點也就越相似。我們正是通過這種相似性來檢測圖像之間的運動的。
第二部分：特征匹配（53行至88行）
接下來，我們對上述的描述子進行匹配。在OpenCV中，你需要選擇一個匹配算法，例如粗暴式（bruteforce），近似最近鄰（Fast Library for Approximate Nearest Neighbour, FLANN）等等。這里我們構建一個FLANN的匹配算法：
1 vector< cv::DMatch > matches; 2 cv::FlannBasedMatcher matcher; 3 matcher.match( desp1, desp2, matches );
匹配完成后，算法會返回一些 DMatch 結構。該結構含有以下幾個成員：
- queryIdx 源特征描述子的索引（也就是第一張圖像）。
- trainIdx 目標特征描述子的索引（第二個圖像）
- distance 匹配距離，越大表示匹配越差。
有了匹配后，可以用drawMatch函數畫出匹配的結果：
小蘿卜：這真是“亂花漸欲迷人眼，淺草才能沒馬蹄”啊！
師兄：你不是機器人么，怎么開始變得文藝起來了？
不管如何說，僅靠描述子的匹配似乎是太多了些，把許多不相似的東西也匹配起來了。(由於這兩個圖像只有水平旋轉，所以水平的匹配線才是對的，其他的都是誤匹配）。因此，需要篩選一下這些匹配，例如，把distance太大的給去掉（源文件69到88行）。
篩選的准則是：去掉大於最小距離四倍的匹配。
小蘿卜：為什么是四倍呢？
師兄：這只是個經驗數值啦，就像你平時都買一斤半的棗糕呀，為什么不買兩斤呢？
小蘿卜：我喜歡吃棗糕！等這節講完我們去吃棗糕吧！
師兄：呃……總、總之，選出來的goodmatch大概是這樣的：
篩選之后，匹配就少了許多了，圖像看起來也比較干凈。
第三部分 求解PnP
求解PnP的核心是調用OpenCV里的SolvePnPRansac函數。該函數的接口如下（來自OpenCV在線API）：
- C++: void solvePnPRansac (InputArray objectPoints, InputArray imagePoints, InputArray cameraMatrix, InputArray distCoeffs, OutputArray rvec, OutputArray tvec, bool useExtrinsicGuess=false, int iterationsCount=100, float reprojectionError=8.0, int minInliersCount=100, OutputArray inliers=noArray(), int flags=ITERATIVE )
- Python: cv2. solvePnPRansac (objectPoints, imagePoints, cameraMatrix, distCoeffs [, rvec[, tvec[, useExtrinsicGuess[, iterationsCount[, reprojectionError[, minInliersCount[, inliers[, flags]]]]]]]]) → rvec, tvec, inliers
-
Parameters: - objectPoints – Array of object points in the object coordinate space, 3xN/Nx3 1-channel or 1xN/Nx1 3-channel, where N is the number of points. vector<Point3f> can be also passed here.
- imagePoints – Array of corresponding image points, 2xN/Nx2 1-channel or 1xN/Nx1 2-channel, where N is the number of points. vector<Point2f> can be also passed here.
- cameraMatrix – Input camera matrix
. - distCoeffs – Input vector of distortion coefficients
![(k_1, k_2, p_1, p_2[, k_3[, k_4, k_5, k_6]])](/image/aHR0cDovL2RvY3Mub3BlbmN2Lm9yZy9faW1hZ2VzL21hdGgvOTQyODhiNzcwOWQxMGE3ZGRmMjg2ZTMzZGIwMDc0NTEyYmRhMDQxMS5wbmc=.png)
of 4, 5, or 8 elements. If the vector is NULL/empty, the zero distortion coefficients are assumed. - rvec – Output rotation vector (see Rodrigues() ) that, together with tvec , brings points from the model coordinate system to the camera coordinate system.
- tvec – Output translation vector.
- useExtrinsicGuess – If true (1), the function uses the provided rvec and tvec values as initial approximations of the rotation and translation vectors, respectively, and further optimizes them.
- iterationsCount – Number of iterations.
- reprojectionError – Inlier threshold value used by the RANSAC procedure. The parameter value is the maximum allowed distance between the observed and computed point projections to consider it an inlier.
- minInliersCount – Number of inliers. If the algorithm at some stage finds more inliers than minInliersCount , it finishes.
- inliers – Output vector that contains indices of inliers in objectPoints and imagePoints .
- flags – Method for solving a PnP problem (see solvePnP() ).
可以看到，這個函數需要輸入一組匹配好的三維點: objectPoints 和一組二維圖像點: imagePoints. 返回的結果是旋轉向量 rvec 和平移向量tvec。其他的都是算法中的參數。因此，我們需要想辦法構建這兩組輸入點，它們實際上就是從goodmatches里抽取來的。
由於我們已經提取了KeyPoint，知道了它們的像素坐標。那么，利用上一節提供的庫函數，就可以直接轉到三維點啦。代碼如下：（因為很重要就又貼了一遍）
1 // 計算圖像間的運動關系 2 // 關鍵函數：cv::solvePnPRansac() 3 // 為調用此函數准備必要的參數 4 5 // 第一個幀的三維點 6 vector<cv::Point3f> pts_obj; 7 // 第二個幀的圖像點 8 vector< cv::Point2f > pts_img; 9 10 // 相機內參 11 CAMERA_INTRINSIC_PARAMETERS C; 12 C.cx = 325.5; 13 C.cy = 253.5; 14 C.fx = 518.0; 15 C.fy = 519.0; 16 C.scale = 1000.0; 17 18 for (size_t i=0; i<goodMatches.size(); i++) 19 { 20 // query 是第一個, train 是第二個 21 cv::Point2f p = kp1[goodMatches[i].queryIdx].pt; 22 // 獲取d是要小心！x是向右的，y是向下的，所以y才是行，x是列！ 23 ushort d = depth1.ptr<ushort>( int(p.y) )[ int(p.x) ]; 24 if (d == 0) 25 continue; 26 pts_img.push_back( cv::Point2f( kp2[goodMatches[i].trainIdx].pt ) ); 27 28 // 將(u,v,d)轉成(x,y,z) 29 cv::Point3f pt ( p.x, p.y, d ); 30 cv::Point3f pd = point2dTo3d( pt, C ); 31 pts_obj.push_back( pd ); 32 } 33 34 double camera_matrix_data[3][3] = { 35 {C.fx, 0, C.cx}, 36 {0, C.fy, C.cy}, 37 {0, 0, 1} 38 }; 39 40 // 構建相機矩陣 41 cv::Mat cameraMatrix( 3, 3, CV_64F, camera_matrix_data ); 42 cv::Mat rvec, tvec, inliers; 43 // 求解pnp 44 cv::solvePnPRansac( pts_obj, pts_img, cameraMatrix, cv::Mat(), rvec, tvec, false, 100, 1.0, 100, inliers );
求解完成后，rvec和tvec就含有了位移和旋轉的信息，至此，我們已經成功地計算出兩個圖像的運動啦！
小蘿卜：對了，那個Ransac和inlier是什么呢？
師兄：盡管經過了篩選，我們提供的匹配里還是存在誤匹配的情況。根據誤匹配計算運動是不靠譜的。這時該怎么辦呢？OpenCV會利用一種“隨機采樣一致性”（Random Sample Consensus）的思路（見https://en.wikipedia.org/wiki/RANSAC）。意思即為，在現有的匹配中隨機取一部分，估計其運動。因為正確的匹配結果肯定是相似的，而誤匹配的結果肯定滿天亂飛。只要把收斂的結果取出來即可。
小蘿卜：這個就叫做“幸福的家庭都是相似的，不幸的家庭各有各的不幸”吧。
師兄：你這樣理解也可以。ransac適用於數據噪聲比較大的場合。這對圖像的inlier大概是這樣的：
小蘿卜：似乎仍有一些誤差的樣子呢。
師兄：是的，不過可以通過調節我們之前的篩選過程以及之后的ransac參數，得到更好的結果。
本節回顧
本節中，我們介紹了如何提取、匹配圖像的特征，並通過這些匹配，使用ransac方法估計圖像的運動。下一節，我們將介紹如何使用剛得到的平移、旋轉向量來拼接點雲。至此，我們就完成了一個只有兩幀的迷你SLAM程序。
課后作業：
- 請把計算圖像運動信息封裝成一個函數，放進slamBase庫中。
- 由於我們的程序變復雜了，出現了一些內部的參數，如特征點類型，篩選准則，ransac參數等等。如果我們把這些參數值定義在源代碼里，那么每修改一次，就要重新編譯一遍程序。這非常麻煩。所以，我們希望把參數定義在外部文件中，在程序剛開始時讀取此文件。這樣一來，只要更改此文件即可完成參數的調節，不必重新編譯程序了。因此，請你完成一個讀取參數的類，放進slamBase中。
小蘿卜：這一講比前兩節難好多啊，師兄。
師兄：是啊，然而我也不得不講這些東西，不然講不清楚呢。
小蘿卜：嗯，那我回去好好復習啦。大家也要加油！
未完待續