将TUM数据集制作成BundleFusion数据集
在上一篇文章中,我写到了如何将TUM数据生成BundleFusion所需要的数据集,生成的数据集如下图中所示.并且是将每一组数据的groundtruth.txt中的位姿数据写如到这里的pose文件中,作为每一帧图像的先验位姿.
今天我便将生成的数据集转换为了.sens格式,然后运行bundlefusion算法,第一次尝试很失败,1400张图像,最后只重建出了花瓶的一半,还有几片叶子,我不知道哪里出了问题,首先是检查一下数据格式是不是正确,图像的名称, 还有每一组数据集最后的info.txt文件的内容,检查并没有发现明显的错误.然后我又调解了两个配置文件中的一些参数,但是并不知道有可能是什么原因.最后我把目光停留在数据集的info.txt文件上,之前使用kinect相机,经过手动标定相机可以标定得到depthShift这个数据,但是现在我并不知道,也不知道TUM数据集的这个数值,然后我在代码中搜索这个m_depthShift的用途,代码是如下
for (unsigned int i = 0; i < getDepthWidth()*getDepthHeight(); i++) {const auto* d = getDepthFloat();std::cout << "d[" << i << "]: " << d[i] << std::endl;depth[i] = (unsigned short)ml::math::round((m_recordedData->m_depthShift * d[i]));}
读取深度图的深度数据,然后乘上 m_depthShift,我大致猜出来,他的作用了,
在最初的info.txt文件中我将m_depthShift设置为1000, 但是重建不成功,我突然想到,我要查看一下,深度图像的数值,于是我用imageJ来查看一下深度图.
这是BundleFusion使用的SUN3D数据集中的一组数据的一对彩色图和深度图,当我把鼠标点在最左侧的垃圾桶的上边缘时,imgJ显示1328,而根据彩色图,目测也是1米多的样子,所以也验证了,该组数据集中的info.txt中的m_depthShift=1000.
而对于TUM数据集,当我将鼠标放在图片最前端的花盆上时,根据彩色图,目测只有30cm的距离,但是imageJ上显示的是2930,所以我感觉应该将info.txt中的m_depthShift设置为1000.
我将m_depthShift设置为10000后,重新生成 .sens数据集,这次就可以重建成功了.重建效果如下.
将TUM数据集制作成BundleFusion数据集相关推荐
- 建立自己的voc数据集_一次将自己的数据集制作成PASCAL VOC格式的惨痛经历
因为准备训练keras-yolo3,开源代码上给出了voc_annotation.py文件,只要将自己的数据格式处理成PASCAL VOC格式,那么运行voc_annotation.py就可以将自己的 ...
- 将自己的dcm数据制作成LUNA16数据集提供数据样式。
1.先说下luna数据样式.一个CT序列在LUNA16数据集主要是由一个mhd文件一个raw文件以及一个或多个csv文件(以一个为例不做那么多区分(3mm以下不做处理等)).以下为LUNA16数据集的 ...
- 将自己的dcm数据制作成LUNA16数据集提供数据样式之代码整理
1.获取mhd和raw import cv2 import os import pydicom import numpy import SimpleITK# 路径和列表声明 rootpath=&quo ...
- TUM数据集制作BundleFusion数据集
BundleFusion的数据集中,在生成.sens文件之前,包括彩色图,深度图和一个位姿文件,并且这个pose文件中的位姿态是有变化的,所以我怀疑,推测,在这个pose文件中可以写入groundtr ...
- SLAM数据集TUM,KITTI,EuRoC数据集的下载地址与真实轨迹文件的查找
目录 前言 一.TUM数据集 1.下载地址 2.真实轨迹文件的查找 3.轨迹格式 二.KITTI数据集 1.下载地址 2.真实轨迹文件的查找 三.EuRoC数据集 1.下载地址 2.真实轨迹文件的查找 ...
- 爆改YOLOV7的detect.py制作成API接口供其他python程序调用(超低延时)
一.前言 YOLO系列框架凭借其超高的运行流畅度和不俗的准确率,一直被广泛地应用到各个领域. 刚刚推出不久的YOLOV7在5 FPS到160 FPS范围内的速度和精度达到了新的高度,并在GPU V10 ...
- Python数据集可视化:抽取数据集的两个特征进行二维可视化、主成分分析PCA对数据集降维进行三维可视化(更好地理解维度之间的相互作用)
Python数据集可视化:抽取数据集的两个特征进行二维可视化.主成分分析PCA对数据集降维进行三维可视化(更好地理解维度之间的相互作用) 目录 Python数据集可视化:抽取数据集的两个特征进行二维可 ...
- 无人驾驶常用数据集---图像语义分割数据集--Cityscapes数据集的解读(for 小白)
** 无人驾驶常用数据集–图像语义分割数据集–Cityscapes数据集的解读(for 小白) ** 一.什么是Cityscapes数据集? Cityscapes是关于城市街道场景的语义理解图片数据集 ...
- python爬取pdf内容_Python爬取读者并制作成PDF
学了下beautifulsoup后,做个个网络爬虫,爬取读者杂志并用reportlab制作成pdf.. crawler.py #!/usr/bin/env python #coding=utf-8 & ...
最新文章
- java 策略模式会员_七:策略模式(不同等级会员打折算法)
- DS18B20 理解与操作源码
- php中 可替代curl,laravel-PHP-为什么使用Guzzle代替cURL?
- 下一个排列Python解法
- 总结一些写毕业论文背景研究可以参考的资源
- 06-BCD计数器设计与应用——小梅哥FPGA设计思想与验证方法视频教程配套文档
- 测试显示富士通UHF RFID亚麻标签可在1.5T及3T的MRI系统内使用
- 补习系列(13)-springboot redis 与发布订阅
- matlab数字调音台,软件说明
- Java程序员排行前10的错误,请注意!
- C# in Depth
- 两台电脑共享鼠标键盘Synergy
- 永不消逝的电波 -GSM空口信号的接收与解码
- 汇编bne的问题 汇编中的标号1: 以及bne 1b解释
- java编写的公共钥匙盒_公共钥匙盒.java
- 利用GPO(组策略对象)批量控制域内主机
- 关于cmd输入字符长度限制问题
- 寒假“搜索”练习题解
- javascript时间差插件
- 什么是AJAX?如何实现AJAX异步请求?