视觉SLAM笔记（63） RGB-D 稠密建图

最新推荐文章于 2025-05-15 21:03:46 发布
最新推荐文章于 2025-05-15 21:03:46 发布
阅读量1.6w 收藏 30
点赞数 17
CC 4.0 BY-SA版权
分类专栏： 视觉SLAM笔记 文章标签： 建立点云地图 点云地图的分析 其他重建方法
本文为氢键H-H原创文章，未经允许请勿用于商业用途，转载请注明出处
本文链接：https://blog.youkuaiyun.com/qq_32618327/article/details/103215721
本文详细介绍了如何利用RGB-D相机数据建立点云地图，包括去除外点、降采样滤波等处理，以提高地图质量。点云地图虽为基础，但在导航与避障方面存在局限，但可作为更高层次地图重建方法的基础，如占据网格地图和泊松重建。PCL库提供了多种点云处理工具。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

视觉SLAM笔记（63） RGB-D 稠密建图

1. 建立点云地图

所谓点云，就是由一组离散的点表示的地图
最基本的点包含 x, y, z 三维坐标，也可以带有 r, g, b 的彩色信息
由于 RGB-D 相机提供了彩色图和深度图，很容易根据相机内参来计算 RGB-D 点云

如果通过某种手段，得到了相机的位姿
那么只要直接把点云进行加和，就可以获得全局的点云
在 视觉SLAM笔记（25） 拼接点云 给出了一个通过相机内外参拼接点云的例子
不过，在实际建图当中，还会对点云加一些滤波处理，获得更好的视觉效果

在本程序中，主要使用两种滤波器：外点去除滤波器以及降采样滤波器
由于部分代码与之前的相同，主要看改变的部分：

int main(int argc, char*
了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文笔记_S2D.76_2013_IROS_DVO-SLAM_基于RGB-D相机的稠密视觉SLAM
惊鸿一博
02-03 662
目录 基本情况 摘要 主要创新点： 介绍 参考 基本情况 出处：Kerl C, Sturm J, Cremers D. Dense visual SLAM for RGB-D cameras[C]//2013 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE, 2013: 2100-2106. 论文主页：vision.in.tum.de/data/software/dvo vedio:Den.
视觉SLAM笔记（44） RGB-D 的直接法
氢键H-H
10-30 1万+
稀疏直接法、定义直接法的边、使用直接法估计相机运动、半稠密直接法、直接法的讨论
rtabmap RGB-D相机手持建图
m0_46530321的博客
07-19 3742
RGB-D相机手持建图描述1.RGB and depth sensors2.Mapping mode3.Localization mode 参考：http://wiki.ros.org/rtabmap_ros/Tutorials/HandHeldMapping 描述 本教程展示了如何在映射模式或本地化模式下使用rtabmap_ros与类kinect传感器 1.RGB and depth sensors 兼容OpenNI和OpenNI2的RGB-D传感器将使用openni_launch、openni2_lau
单目和RGB-D稠密建图
xiner0114的博客
07-17 1333
稠密地图
SLAM定位与地图构建
最新发布
Yf18005429102的博客
05-15 2091
SLAM全称Simultaneous Localization And Mapping，中文名称同时定位与地图构建。旨在让移动设备在：确定自身在环境中的位置和姿态（如坐标、朝向）。：构建环境的地图（如2D栅格地图、3D点云地图）。使用激光雷达（LiDAR）、摄像头（视觉SLAM）、IMU（惯性测量单元）、超声波等传感器。例如：激光雷达获取点云，摄像头提取特征点。：从传感器数据中（如角点、线段、ORB特征点）。：通过（如两帧图像或激光扫描）估计机器人的运动（如ICP、视觉里程计VO）。
【视觉SLAM入门】9.1 建图1---SLAM任务，稠密地图构建，立体视觉，RGBD，八叉树，点云地图等各种不同地图
Eric_Sober的博客
09-18 4558
本节梳理了单目相机，双目相机和RGB-D相机建立稠密地图的方法，因为特征点不是每一个点都是，所以特征匹配不适用，这里用极线搜索和块匹配的方式进行点的匹配，立体视觉中确定深度使用了基于深度滤波器的方法，不断地做三角化使其收敛，还介绍不同地图以及各自功能
ORB-SLAM 2+3 rgbd稠密地图 （地图可回环）
热门推荐
l741299292的博客
08-23 3万+
高博曾经在他的github上提供过，但因为大佬时间少，并没有将回环加入到稠密地图，现提供一个可回环的稠密地图版本 https://github.com/tiantiandabaojian/ORB-SLAM2_RGBD_DENSE_MAP.git 第一张图片是TUM数据集未回环的地图 第二张图片是经过回环的地图 第三张是博主自己用Kinect V2跑出的地图 望能帮到各位 ...
RGB-D相机建图——1、准备工作及测试
hongliyu_lvliyu的博客
04-14 695
realsense D435i + ROS kinetic 配置贴： https://zhuanlan.zhihu.com/p/93127918 1. librealsense librealsense 不用知乎的源码安装，使用 https://github.com/IntelRealSense/librealsense/blob/master/doc/distribution_linux.md 安装后执行 realsense-viewer，出现以下界面： 2. realsense-ros ht
视觉SLAM十四讲学习笔记——第十二讲 建图
weixin_61294345的博客
11-27 4776
SLAM实际上是一种底层技术，往往用来给上层应用提供信息。在前文已实现的部分，我们最多得到的仅是一个稀疏的地图，在需要实现导航、避障、重建等应用时，稀疏地图很难提供足够的信息，需要考虑如何重建稠密地图，即建模所有看到过的部分。 根据使用相机的不同可以分为：“单目稠密重建”和“RGB-D稠密建图”（双目应该和RGBD类似，都可以主动测得或计算出图像深度）。其中RGB-D相机的稠密重建较为简单，最直观、简单的方法就是将RGB-D数据转换为点云地图，再结合相机位姿进行拼接，并对点...
论文笔记—RGB-D SLAM in Dynamic Environments Using Static Point Weighting
qq_46480130的博客
11-28 841
论文笔记—RGB-D SLAM in Dynamic Environments Using Static Point Weighting 论文链接 论文代码链接 文章摘要 本文提出了一种针对动态环境，基于实时深度边缘的RGB-D SLAM系统。该视觉测程方法是基于帧到关键帧的配准，只使用深度边缘点。用关键帧边缘点的静态权重表示一个点成为静态环境一部分的可能性，将这种静态权重添加到强度辅助迭代最近点(IAICP)方法中来执行配准任务，来减少动态对象的影响。 背景 视觉测程方法都假设静态环境，将一小部分动态对象
RGB-D稠密地图
Summer_star_summer的博客
07-21 642
#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 #inclu
ORB_SLAM2稠密点云构建.rar
06-17
readme链接：https://blog.youkuaiyun.com/qq_34289112/article/details/92561229
slam稠密建图以及构建octomap
qq_57615412的博客
04-19 2781
之前总说ORB-SLAM2构建的稀疏地图，只是为了定位用的，想要使用地图导航或是别的还是得搞稠密地图，然后就运行了高翔博士改的稠密建图版本。我想要整个实时的，最好是能接上相机，一边做slam，一边更新八叉树地图，这就必然要用到ros了，需要整个稠密建图版本的并且有ros接口的。我想的是要整个实时的稠密点云重建，所以需要编译ros'版本的，继续跟着这个博主熊猫飞天 搞事情 ，哈哈。额额原来我保存pcd文件的路径没有改还是人家的！但是这个方法是将生成的 .pcd文件，转化为八叉树地图，过程不是实时的。
视觉slam中的一种单目稠密建图方法
sky的博客
07-23 6036
之所以只讲单目的稠密建图，这是因为，首先，对于RGBD图，我们已知所有点的深度，可以直接生成稠密的点云。其次，对于稀疏地图，其实很多VO中已经完成了稀疏地图的构建，但是稀疏地图只能用于定位，不能用于导航避障之类的工作。所以很多slam系统中会额外进行稠密地图、甚至语义地图的构建。 单目稠密建图 通常在单目VO中，我们通过特征点匹配与三角测量可以获得稀疏地图点的深度，现在我们想要建立稠密的地图，这意味着我们需要获得图片中所有像素点的深度。那么首先我们需要做的一点就是确定第一幅图的某个像素出现在其.
使用D435i相机录制数据集跑ORB-SLAM2稠密建图
m0_60355964的博客
07-24 4930
使用D435i相机录制数据集跑ORB-SLAM2
视觉SLAM笔记（61） 单目稠密建图
氢键H-H
11-23 1万+
立体视觉、极线搜索与块匹配、高斯分布的深度滤波器
ORBSLAM2实验记录(1)——稠密建图
weixin_52379562的博客
07-22 8283
近期又重新拾起ORBSLAM2的学习，换装了Ubuntu16.04，配置环境的bug比18.04少了不少，可以说是一路顺利，关于环境配置的问题，网络上可以说是众说纷纭，如果你打算使用Ubuntu16.04，可以参照我的配置经验，从18.04配置了两次的经验，转到16.04可以说是老手了，之后会记录一篇配置教程，供各位参考。...............
SLAM第十二讲实践：【建图】单目稠密图重建实践、RGB_D稠密建图、 从RGB_D稠密建图点云重建网格图、八叉树地图实践
zhangyuanbonj的博客
10-20 1970
本工程采用的数据集是使用REMODE的测试数据集。它提供了一架无人集采集的单目俯视图像，共有200张，同时提供了每张图像的真实位姿数据集自取。
VINS-Fusion-RGBD在双轮差数轮小车上配置并进行稠密建图
hu_hao的博客
09-21 3604
VINS-Fusion-RGBD在小车上进行稠密建图1.轮式里程计代替视觉里程计2.其他获得更为鲁棒性建图效果的做法3.点云地图及栅格地图的获得4.多个参数可配置 VINS-Mono由于存在运动初始化过程，对于地面小车来说运动初始化过程没有无人机那么方便，而且大多实用小车需要一运行程序就要执行任务，所以需要选择不需要初始化的版本。 VINS-Fusion的双目、双目+imu版本不需要初始化，但双目+imu轨迹容易飞飘，不能进行稳定建图。而双目版本只能建稀疏路标点地图，无法用于实际导航。 VINS-Fusio
ORB-SLAM稠密建图
04-01
<think>嗯，用户想了解如何使用ORB-SLAM进行稠密建图，还提到了教程或实现。首先，我需要回忆一下ORB-SLAM的基本原理和它的建图方式。ORB-SLAM主要是基于特征点的SLAM系统，所以默认情况下生成的是稀疏地图，也就是特征点的位置。而用户需要的是稠密建图，这就涉及到如何从稀疏到稠密的转换。 首先，我应该考虑ORB-SLAM本身是否支持稠密建图。根据之前的知识，ORB-SLAM的官方版本（比如ORB-SLAM2）主要是稀疏的，所以可能需要额外的模块或者与其他方法的结合。比如，可能有研究者在ORB-SLAM的基础上集成稠密建图算法，比如使用TSDF（截断符号距离函数）或者Surfel-based的方法。 接下来，用户需要教程或者实现，可能需要寻找相关的开源项目或者论文。例如，Multi-Level Mapping这篇论文提到了实时单目稠密SLAM，或许可以作为参考。另外，博客或GitHub上的资源可能会有实现。比如，用户提供的引用中有博主的GitHub和优快云链接，可能需要查看是否有相关的代码或教程。 然后，我应该考虑实现的步骤。通常，稠密建图需要深度信息，而ORB-SLAM单目版本没有直接的深度，可能需要通过多视角几何或者其他深度估计方法。比如，使用深度相机（RGB-D）或者通过立体匹配来获取深度，或者结合深度学习模型预测深度图。不过ORB-SLAM也有RGB-D的版本，可能更适合稠密建图。 另外，可能需要后处理步骤，比如使用泊松重建或者其他表面重建算法将稀疏点云转为稠密网格。或者，使用稠密SLAM系统如ElasticFusion，但用户特别提到ORB-SLAM，所以可能需要扩展ORB-SLAM的输出。 可能的实现方法包括：在ORB-SLAM的跟踪和建图线程之外，添加一个稠密建图线程，利用关键帧的姿态和图像数据生成稠密点云。例如，使用每个关键帧的深度图（如果是RGB-D）融合到全局模型中，或者对于单目，使用多视图立体视觉（MVS）来生成稠密点云。 需要提醒用户，ORB-SLAM本身可能不支持实时稠密建图，尤其是单目情况下，计算量较大。可能需要参考一些开源项目，比如GitHub上的ORB-SLAM2 with dense mapping的fork，或者结合COLMAP进行离线稠密重建。 另外，用户提到的DeepVO是视觉里程计的端到端方法，可能和稠密建图不太直接相关，但可以作为补充信息。 总结回答的结构应该是：先指出ORB-SLAM默认是稀疏的，然后说明实现稠密建图的方法，比如结合深度相机、后处理、或与其他算法集成，接着提供可能的实现步骤和参考资料，比如Multi-Level Mapping论文和相关GitHub项目，最后给出相关的问题。</think>### 如何使用ORB-SLAM进行稠密建图 ORB-SLAM系列（如ORB-SLAM2）是经典的基于特征点的SLAM系统，其默认输出为稀疏地图（特征点云）。若需实现稠密建图，需结合额外算法或扩展模块。以下是关键实现思路与资源： --- #### 1. **ORB-SLAM的稀疏性与稠密扩展** - **稀疏地图限制**：ORB-SLAM通过ORB特征点跟踪和BA优化生成稀疏点云，无法直接用于导航或三维重建[^1]。 - **稠密建图核心思路**： - **深度传感器融合**：使用RGB-D相机的深度数据，直接生成稠密点云（ORB-SLAM2支持RGB-D模式）。 - **单目深度估计**：通过深度学习模型（如Monodepth2）从单目图像预测深度图，再与ORB-SLAM位姿结合[^2]。 - **多视图立体几何（MVS）**：利用关键帧图像和相机位姿，通过MVS算法（如COLMAP）离线生成稠密点云。 --- #### 2. **实现步骤示例（RGB-D模式）** 1. **运行ORB-SLAM2 RGB-D版本**： ```bash ./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM1.yaml /path/to/dataset/ /path/to/associations.txt ``` 2. **提取关键帧与位姿**：系统输出的关键帧位姿（`KeyFrameTrajectory.txt`）用于对齐深度图。 3. **稠密点云融合**：使用TSDF（截断符号距离函数）或Surfel-based方法（如Open3D库）融合多帧深度图： ```python import open3d as o3d volume = o3d.integration.ScalableTSDFVolume(voxel_length=0.01, sdf_trunc=0.05) for pose, rgb, depth in keyframes: volume.integrate(rgb, depth, intrinsic, pose) mesh = volume.extract_triangle_mesh() ``` --- #### 3. **开源资源与教程** - **ORB-SLAM2扩展项目**： - [ORB-SLAM2 with Dense Mapping](https://github.com/tiagojc/orbslam2-dense-map)：通过点云插值生成稠密地图的改进版本。 - [ORB-SLAM3](https://github.com/UZ-SLAMLab/ORB_SLAM3)：支持多传感器，可结合IMU提升稠密建图稳定性。 - **论文参考**： - *Multi-Level Mapping: Real-time Dense Monocular SLAM* 提出分层稠密建图方法，可与ORB-SLAM特征点结合。 - *ElasticFusion* 的稠密融合策略可借鉴（需调整实时性）[^2]。 --- #### 4. **挑战与优化** - **实时性**：稠密建图计算量大，需GPU加速或简化模型（如八叉树地图）。 - **尺度一致性**：单目模式下需通过回环检测或物体先验尺寸约束尺度漂移。 - **动态环境处理**：结合语义分割（如Mask R-CNN）剔除动态物体干扰。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

氢键H-H

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值