使用CloudCompare评估ICL-NUIM数据集
ICL-NUIM数据集是一个RGBD数据集,数据格式和TUM数据集是“兼容”(类似)的,可以用于评估RGBD slam,此外,该数据集还提供了三维环境的真值,因此可以用于对RGBD三维重建结果进行评估,本文主要讲述如何对ICL-NUIM数据集使用CloudCompare这个软件,将三维重建的结果和提供的真值进行比较评估,最终生成一个类似下面这样的热图:
CloudCompare安装
CloudComparez=这个软件是一个跨平台的软件,windows,mac,linux都可以使用,官网下载地址如下:http://www.cloudcompare.org/
如果你的系统是Ubuntu16.04,那么恭喜你,安装非常简单,只需要输入:
snap install cloudcompare
其他版本的Ubuntu或者linux发行版见官网教程。
使用CloudCompare评估
我们这里主要是对我们重建的三维的点云进行评估,我的程序里面生成的重建点云是.ply格式的,ICL-NUIM提供的真值则是.obj格式的(真值是.ply格式的也可以),我们下面具体讲一下如何将自己生成的估计点云和真值进行对齐,计算他们之间的距离然后生成热图。
注:这个过程我是在https://www.doc.ic.ac.uk/~ahanda/VaFRIC/living_room.html这个网页里跟着学习的,基本本文的内容和该视频里的一样,但是如果原视频是来自youtube的,所以你懂的。
1、首先将ground truth的obj文件加载进来,然后把自己生成的ply文件加载进来,如下图:
这里会发现真值的外表面的mesh都是黑色的,这个和上面视频里面现实的就不一样,视频里包括我使用meshlab打开都是灰色的,但是我这里打开都是纯黑色的(不知道能不能修改,但是没有影响)。
如上图,这里的living-room.obj是提供的真值,下面的room0.klg.ply则是我估计的三维点云模型。
2、(可选)将输入的图像做一个变换,如果是ICL-NUIM数据集就要做这个变换,首先转中左边的估计的ply文件,然后选择edit-apply transformation,弹出下面的界面,我们把第二行的1前面加一个负号,然后点ok:
之所以做这个变换是因为生成的估计的点云文件和真值之间是镜像对称的,所以我这里必须先做这个变换,这个操作非必须。
3、对齐
然后就是进行对齐操作,因为对其我们只需要使用真值的vertices顶点,所以我们先把所有的mesh取消显示(就是把obj的所有的mesh前面的钩钩取消掉),只保留最后的vertices,最后如下:
此时,真值的obj里面就只剩下了vertices,变成了下面的样子:
然后按住ctrl,选中两个文件(注意是obj里面的vertices和你的ply文件)如下图:
之后点击下面的“红圈”的按钮,这个按钮表示align two cloud by picking up(at least 4) equivalent point pairs,也就是至少使用4对点来将两个点云进行对齐:
点击按钮之后出现,表示要选择一个被对齐的实体,这里我们选择room0-Cloud,因为vertices是真值,我们要把room0-Cloud对齐到vertices上:
点击OK之后会出现:
我们就开始在两个点云上面选点了,这里我们至少要选择四组点才行,也就是“红色”和“黄色”部分各自至少选四个点,并且序号相同的点必须是一一对应的,选完点之后,点击align,然后就会发现两个点云几乎就重合了,然后点击右下角那个钩子确定。
4、计算距离,生成热图
然后再选中这两个:
然后点击下面画“红圈”的图标:
出现下面的页面,把 signed distances取消,点击compute,ok即可:
然后这个一开始的热图的结果就会显示出来了,并且可以在下面的properties里面调整显示的颜色,以及把右边的柱装图显示出来,只要选中visible即可:
其他
如果想将页面的视图进行保存,可以选择display页面的render to file,保存成bmp图片。如果想不显示3d框的话,只需要不选中任何一个选项,3d框就会消失,此时就可以执行保存图片的操作。
如果想修改一下背景颜色,可以点击左边的工具栏的第一个电脑图标:最好还是把背景色化成黑色的:
注意把下面的display gradient background取消掉:
以上就是本文的全部内容, 如果对你有帮助的话,请给我的文章点个赞,谢谢!!!
使用CloudCompare评估ICL-NUIM数据集相关推荐
- 行人重识别0-03:DG-Net(ReID)-模型评估验证,数据集讲解
以下链接是个人关于DG-Net(行人重识别ReID)所有见解,如有错误欢迎大家指出,我会第一时间纠正.有兴趣的朋友可以加微信:17575010159 相互讨论技术.若是帮助到了你什么,一定要记得点赞! ...
- 论文阅读《Direct Sparse Odometry》2
目录 3 视觉里程计前端 3.1 帧管理 3.2 点管理 4 结果 4.1 定量比较 4.2 参数研究 4.3 几何与光度噪声研究 4.4 定性结果 5 结论 致谢 参考文献 3 视觉里程计前端 前端 ...
- D-HAZY :一个用于定量评估去雾算法的数据集
原文 摘要 去雾处理是近年出现的一种图像增强技术.尽管它很重要,但是没有数据集来定量评估这些技术.在本文中,我们介绍了一个包含1400多对图像的数据集,这些图像包含地面真实参考图像和同一场景的模糊图像 ...
- 深度学习常用数据集资源(计算机视觉领域)
目录 1.MNIST 2.ImageNet 4.COCO 5.PASCAL VOC 6.FDDB 1.MNIST 深度学习领域的入门数据集,当前主流的深度学习框架几乎都将MNIST数据集的处理入门第一 ...
- PyTorch版YOLOv4更新了,不仅适用于自定义数据集,还集成了注意力和MobileNet
机器之心报道 作者:陈萍 距离 YOLO v4 的推出,已经过去 5 个多月.YOLO 框架采用 C 语言作为底层代码,这对于惯用 Python 的研究者来说,实在是有点不友好.因此网上出现了很多基于 ...
- 【世界最大人脸对齐数据集】ICCV 2017:距离解决人脸对齐已不远
在一篇已经被ICCV 2017接收的论文中,诺丁汉大学的研究人员提出了他们号称是迄今最大3D人脸对齐数据集,以及精准实现2D.3D以及2D到3D人脸对齐的网络.研究人员用<我们距离解决2D&am ...
- 评价对象检测模型的数字度量:F1分数以及它们如何帮助评估模型的表现
来源:DeepHub IBMA本文约2000字,建议阅读7分钟 本文为你介绍评价对象检测模型的数字度量. 介绍 使用精度和召回率评估目标检测模型可以为模型在不同置信度下的表现提供有价值的见解.类似地, ...
- Auto Lisp 标注子样式_FAIR 开放大规模细粒度词汇级标记数据集 LVIS,连披萨里的菠萝粒都能完整标注...
随着深度学习的进一步发展,我们对数据集的依赖也越来越强.就在最近,FAIR 开放了 LVIS,一个大规模细粒度词汇集标记数据集,该数据集针对超过 1000 类物体进行了约 200 万个高质量的实例分割 ...
- 【深度学习】小目标检测、图像分类、图像识别等开源数据集汇总
编辑丨极市平台 导读 本文收集整理了多个小目标检测.图像识别.图像分类等方向的开源数据集,本次还有猫咪.斯坦福狗狗数据集以及3D MNIST数字识别等- 宠物图像数据集 数据集下载地址:http:// ...
最新文章
- 基于Bootstrap的jQuery开关按钮插件
- 关于U盘安装ubuntu-18.04安装时候出现的grub-efi-amd64-signed的问题。
- zippo油和zorro油的区别_陶瓷轴承润滑油的性能质量最指标油的区别?_搜狐汽车...
- 几个主流的Java连接池整理
- 程序员十大安全技巧(转)
- python画六边形
- 圆周率的代码表示,以及对其的理解。
- 常用的JPA标记 (转)
- iOS 点转成字符串,再字符串转换成点
- 本周耐撕团队个人总结
- delete kubectl pod_使用kubectl管理k8s集群(三十)
- MATLAB模拟导热过程,一维热传导MATLAB模拟.doc
- jquery操作select时怎么产生事件
- 大数据技术在应急事件处理中的启示
- Sitemap和网站地图在线生成工具
- H5调用安卓以及IOS前置摄像头
- 单片机at89c51数字钟c语言,基于AT89C51单片机的数字钟设计
- Firebase报错:Installations Service is unavailable. Please try again later.
- linux命令ls查看内存,Linux ls 命令详解
- 前摩拜创始人出任百度造车CEO