Ubuntu14.04調試ElasticFusion之TUM數據集的測試

本文將介紹如何使用其他RGBD數據集進行場景重建，以及估計軌跡和真實軌跡的對比實驗。

環境：ubuntu14.04 + cuda7.5 +GTX1070

數據集：TUM數據集　TUM

使用工具：png_to_klg

性能評估工具：https://svncvpr.in.tum.de/cvpr-ros-pkg/trunk/rgbd_benchmark/rgbd_benchmark_tools/src/rgbd_benchmark_tools/

其中，數據集我下載的是freiburg1_desk.tgz

一、TUM數據集的使用

1、將png_to_klg文件夾下的associate.py複製到數據集的文件夾下，然後

./associate.py depth.txt rgb.txt  > associations.txt

就會生成匹配成功的rgb depth圖像對，時間差在0.02s內。

1305031453.374112 depth/1305031453.374112.png 1305031453.359684 rgb/1305031453.359684.png
1305031453.404816 depth/1305031453.404816.png 1305031453.391690 rgb/1305031453.391690.png
1305031453.436941 depth/1305031453.436941.png 1305031453.423683 rgb/1305031453.423683.png
1305031453.473352 depth/1305031453.473352.png 1305031453.459685 rgb/1305031453.459685.png
２、編譯png_to_klg

cd png_to_klg
mkdir build
cd build
cmake ..
make -j8

生成可執行文件pngtoklg

３、生成klg文件

./pngtoklg -w '/home/turtlebot/dataset/freiburg1_desk/' -o '/home/turtlebot/dataset/freiburg1_desk/fr_desk.klg' -t

文件轉換成功後，就可以在~/ElasticFusion/GUI/build下運行

./ElasticFusion -l ~/dataset/freiburg1_desk/fr1_desk.klg

之後，會在fr1_desk.klg目錄下生成全局模型fr1_desk.klg.ply和估計軌跡fr1_desk.freiburg

二、TUM測評工具的使用

測評工具主要是associate.py 和evaluate_ate.py，可以直接copy下來，保存成python腳本。

１、通過時間戳生成關鍵文件，注意這次是先rgb.txt後depth.txt

python associate.py rgb.txt depth.txt > associate.txt

２、將ElasticFusion估計的估計文件後綴名改成.txt，並與TUM數據集自帶的groundtruth.txt放在同一路徑下

(1)估計絕對誤差的均方根誤差ATE RMSE

python evaluate_ate.py groundtruth.txt fr1_desk.txt

輸出0.025414

(2)繪製估計誤差曲線

python evaluate_ate.py groundtruth.txt fr1_desk.txt --plot result.png

得到ATE RMSE和軌跡誤差曲線

(3)計算其他誤差，如均值、中值等，以m爲單位

python evaluate_ate.py groundtruth.txt fr1_desk.txt　--verbose

輸出：