行业知识
【项目实战】三维重建：基于RGB-D数据集的TSDF算法
文章目录
- 一、项目简介
- 二、算法原理
- 2.1、每个体素都有两个值：TSDF值（用于生成重建表面）、RGB灰度值（给重建表面贴上彩色纹理）
- 2.2、TSDF算法
- 步骤一：体素体建立
- 步骤二：划分网格（体素化）
- 步骤三：迭代更新：TSDF值 + 权重值
- 步骤四：找等值面
- 三、项目说明
- 3.1、源码下载（Github）
- 3.2、数据集说明
- 3.3、文件说明
- 四、环境配置 + 工具安装
- 4.0、ImportError: DLL load failed while importing _arpack: 找不到指定的程序。
- 4.1、环境配置
- 4.1.1、Anaconda + Pycharm + OpenCV
- 4.1.2、安装pycuda
- 4.1.3、安装numba
- 4.1.4、安装scikit-image（运行成功）
- 4.2、MeshLab安装（查看三维模型mesh.ply）
- 五、代码详解
- 5.1、demo.py：主函数文件
- 5.2、fusion.py：预定义���件
一、项目简介
主要流程：计算每个体素在深度图像中的TSDF值，然后基于前一个体素的TSDF值更新后一个（加权平均），最后得到所有体素的结果，拼接为3D模型。
TSDF需要非常大的显存空间，GPU需要大概2KB存储单个体素的所有信息。因此，只适用于小场景下的三维重建（如室内环境）。
（1）项目中指定x与y大小为：[3, 2]，单位米(m)
（2）项目中指定体素大小为：0.02，单位为米(m)
（3）总内存：（3 x 2 x 1） / （0.02 x 0.02 x0.02） * 2KB = （750000）*2KB = 1464.844MB = 1.43GB
备注：1 KB = 1024 B(字节)、1 MB = 1024 KB 、1 GB = 1024 MB、1 TB = 1024 GB
支持GPU和CPU
- 在Fusion.py文件的TSDFVolume类中，通过参数use_gpu=False选择是否使用GPU，两者速度相差极大。如果为False，既选择CPU；若为True，则需要安装CUDA和PyCUDA。
- 把TSDF地图从CPU存储中移动到GPU中需要两步：（1）调用cuda.mem_alloc在GPU中提前开辟一块内存空间；（2）调用cuda.memcpy_htod用开辟的内存空间存储TSDF地图数据。
备注：htod表示host to device，即从CPU存数据到GPU。如果是反过来的话，就使用cuda.memcpy_dtoh。
- 最终输出结果为mesh.ply文件，想要打开该文件的工具有很多。此处会介绍其中的MeshLab软件。
TSDF 算法特性：
（1）对以下3个原因非常敏感：噪声（采集图像的随机噪声）、不确定性（传感器的分辨率）、不精确性（遮挡物体）
（2）最终将导致重建结果出现：伪影（虚假结构）、伪装（缺失区域）、形状偏差（建模的物体形状与实际的物体形状不匹配）
二、算法原理
2.1、每个体素都有两个值：TSDF值（用于生成重建表面）、RGB灰度值（给重建表面贴上彩色纹理）
像素(pixel)是2D图像的最小单位，而体素(voxel)是3D立方体的最小单位，体素体由一个个小立方体组成的3D模型。
每个体素都有两个值：TSDF值（用于生成重建表面）、RGB灰度值（给重建表面贴上彩色纹理）
备注：在三维重建的初始化阶段，长方体内所有体素的TSDF值被填充为1，而RGB值被填充为0。
其中：TSDF的取值范围为[-1, 1]，其表示体素与最近的物体表面的距离。
- 1：表示体素x 位于相机与物体表面之间。
- -1：表示体素位于物体表面之后。
- 趋近于0：即认为体素在物体表面。
2.2、TSDF算法
基于截断(T)的带符号距离函数（Truncated Signed Distance Function，TSDF）
- 是一种常见的计算等势面（物体表面）的3D重建方法。
- SDF于2003年由Sosher提出，而TSDF在SDF的基础上提出截断距离(T)。
举例：若体素的SDF值大于30，赋值30；若小于15的部分，赋值15。最终，所有体素得到的SDF值都在[15, 30]范围内，即截断。
一个体素的SDF值，表示它到最近的物体表面的距离。T表示截断，将太近或太远的SDF值设定为恒定值。
- 白色的小方格：表示TSDF地图中的体素。
- 蓝色的三角形：表示相机的视场范围。
- 绿色截线：表示物体的横截面。
- 绿色虚线：物体截面的深度信息。
- 深蓝色直线：沿着相机的光心与体素X做一条直线，该直线与物体的截面有一个交点P。该交点是平面上离体素X最近的点。小白科研笔记：从零学习基于TSDF的三维重建
步骤一：体素体建立
根据实拍环境以及待重建点云分布情况，构建一个足够大的长方体，使得所有3D图像的三维点都在X Y Z = [L x W x H]长方体中（能够完全包围要重建的物体）。项目中指定x与y大小为：[3, 2]，单位米(m)
假设 z 方向为相机的拍摄位置， 则 x 与 y 方向上的极值就是图像的边界。
- （1）四条边界得到四个交汇点（边界点）：(0, 0), (W, 0), (0, H), (W, H)
- （2）z 方向上深度范围：0 ~ L
- 最终得到长方体的八个顶点（边界点）：(0, 0, 0)、(W, 0, 0)、(W, H, 0)、(0, H, 0)、(0, 0, L)、(W, 0, L)、(W, H, L)、(0, H, L) 。
步骤二：划分网格（体素化）
将长方体的内部空间划分成一个个小立方体（体素），用户可自定义体素大小。其中：体素越小，最终搭建模型的体素个数越多，建模精度越高，但运行速度越慢。项目中指定体素大小为：0.02，单位为米(m)
举例理解：在[-1, 1]范围内，指定体素大小为0.02m，则可以划分出50个体素。最终，每个体素的8个顶点坐标可以通过世界坐标(-1+0.02x, -1+0.02y, -1+0.02*z)计算得到。
步骤三：迭代更新：TSDF值 + 权重值
投影世界坐标系下的体素体，通过逆变换到相机坐标系，再投影到图像坐标系。
- （1）计算当前帧图像的TSDF值及权重。此时需要遍历所有的体素：计算每个体素TSDF值 + 截断每个体素的TSDF值 + 更新每个体素的TSDF值 + 计算每个体素的权值。
- （2）当前帧图像与全局融合结果进行融合。
备注：若当前帧为第一帧，则第一帧就是融合结果，否则需要当前帧与之前的融合结果进行融合。
（1）举例推导：以任意一个体素在世界坐标系的三维坐标点p为例。世界坐标即最终生成的3D模型（体素体），由世界坐标 -> 相机坐标 -> 像素坐标
- 坐标变换。由深度图像的相机位姿矩阵，求世界坐标系下点P在相机坐标系下的映射点v；并由相机内参矩阵及反映射V点求深度图像中的对应像素点x。
- 计算坐标点p的tsdf值。
- 此时坐标点p的sdf值：sdf( p ) = value( x ) - distance( v )。其中：像素点x的深度值为value( x )、点v到相机坐标原点距离为distance( v )。
- 然后引入截断距离计算tsdf( p )。
判断1：在截断距离 U = [-1, 1] 以内：tsdf( p ) = sdf( p ) / | U |；
判断2：如果sdf( p ) > 0，tsdf( p ) = 1；
判断3：若果sdf( p )
- 计算坐标点p的权重：w( p ) = cos(θ) / distance( v )。其中，θ为投影光线与表面法向量的夹角。
- 然后就是每添加一帧深度图像，执行以上步骤。最终将输出结果给Marching Cube计算物体表面。TSDF算法学习
（2）通过当前帧tsdf( p ) 更新 融合后的TSDF值。
备注1：即多帧图像有很多重叠部分，需要对多个重叠部分进行融合。即分别计算多帧图像上对应该体素的TSDF值以及权重，最终取加权平均值。
备注2：该更新模式采用的是增量式更新。即第二帧结果与第一帧进行加权平均，第三帧与第二帧进行加权平均，以此类推。
备注3：实时更新3D模型，即每计算一帧更新一次结果，而不是等所有深度图都计算完一起出结果。
公式如下：TSDF算法原理及源码解析
其中：
TSDF( p )表示体素 p 融合后的TSDF值；
W( p )表示体素 p 融合后的权重值；
tsdf( p )表示体素 p 当前帧的TSDF值；
w( p )表示体素 p 当前帧的权重值；
步骤四：找等值面
用marching cubes算法在TSDF网格中寻找dist加权和为0的等值面，即物体表面。
- 加粗红色曲线：物体表面（人脸）
- 物体内部
- 橙色数字：负值。且离物体表面越远，数值越大。
- 红色数字：负值。截断。
- 物体外部
- 紫色数字：正值。且离物体表面越远，数值越大。
- 暗蓝数字：正值。截断。
三、项目说明
3.1、源码下载（Github）
Github官网下载：https://github.com/andyzeng/tsdf-fusion-python
3.2、数据集说明
数据集来源于RGB-D Dataset 7-Scenes，即将7个场景数据集中的1000张RGB深度图像，融合为2cm分辨率的TSDF体素体（3D表面网格和点云）。
数据集(data)参数 说明 数据格式 举例 相机内参 相机的内部参数（硬件） txt矩阵格式 camera-intrinsics.txt RGB图像 一个场景多个视角拍摄的图像 frame-000000.color.jpg 深度图 表示物体远近程度的图像 frame-000000.depth.png 相机位姿 由于图像是多视角的，故每个视角的相机位姿也不同 txt矩阵格式 frame-000000.pose.txt 备注1：只有一个相机内参文件，而1000张图像的每个数据都对应有一个RGB图像、深度图、相机位姿。
备注2：相机内参和相机位姿主要用于坐标系转换。
备注3：深度图可通过高级相机获取、或通过RGB图像进行深度估计获取。
3.3、文件说明
整个项目分三个部分：两个文件夹、两个(.py)文件、两个(.ply)文件。
文件夹
data：存放数据集
images：存放一张3D重建过程图（fusion-movie.gif）
文件
demo.py：主函数文件
fusion.py：预定义文件
README.md：官网的项目简介
生成的结果文件
- mesh.ply：是一种多边形网格文件格式。
- 包含了多个三角形或四边形面片，每个面片由若干个顶点组成。还可能包含每个顶点的颜色、法线、纹理坐标等信息。
- 常用于计算机图形学、三维建模和可视化等领域。
- pc.ply：是一种点云文件格式。
- 只包含了若干个点的坐标信息，每个点可能还有其他的属性（如：颜色、法线、强度等）。
- 常用于三维扫描、激光雷达、遥感、医学图像等领域。点云数据可以用于建立三维模型、分析形状和结构、检测缺陷和异常等。
相同点：都是描述三维场景或物体的点云文件格式。
区别点：mesh.ply 更注重表面的细节和形状，而 pc.ply 更注重点的位置和属性。
四、环境配置 + 工具安装
4.0、ImportError: DLL load failed while importing _arpack: 找不到指定的程序。
原因分析：缺少依赖项、scipy包存在缺失、没有正确配置环境变量、python版本不兼容。
（1）安装依赖项（NumPy和SciPy）。
（2）scipy包存在缺失。卸载pip uninstall scipy、安装最新版本pip install scipy。备注：尝试安装了低版本scipy，仍有问题。
（2）检查环境变量。特别是，确保PATH环境变量包含了Python和相关依赖项的安装路径。
（3）升级Python版本。有时候在较旧的版本中可能会出现一些兼容性问题。
4.1、环境配置
该项目基于Numpy + opencv + pycuda + numba + skimage即可完成。
4.1.1、Anaconda + Pycharm + OpenCV
【深度学习环境配置】Anaconda + Pycharm + CUDA +cuDNN + Pytorch + Opencv（资源已上传）
4.1.2、安装pycuda
安装pycuda：pip install pycuda 。通常会安装失败，可以使用pycuda.whl下载地址轮子安装。详细教程如下：【GPU加速】安装pycuda异常：Failed to build pycuda ERROR: Could not build wheels for pycuda
4.1.3、安装numba
BUG提示：ImportError：Numba needs NumPy 1.22 or less
安装numba：pip install numba。该方法会自动检测numba版本，若numpy版本与之不对应，将自动卸载当前numpy然后重新安装对应版本。切记：不可删除llvmlite文件夹，否则项目运行时会提示没有该模块。ERROR: Cannot uninstall ‘llvmlite’. It is a distutils installed project.
4.1.4、安装scikit-image（运行成功）
步骤一：上述几个环境都配置好之后，可以正常运行，如下图：
- （1）在Fusion.py文件的TSDFVolume类中，通过参数use_gpu=False选择是否使用GPU
- （2）在Demo.py文件中，点击Run运行。
步骤二：在生成结果文件时，出现以下异常：
BUG提示：AttributeError: module ‘skimage.measure’ has no attribute ‘marching_cubes_lewiner’
报错原因：是由于scikit-image(skimage)简介版本的问题导致的。在旧版本的scikit-image中，marching_cubes_lewiner函数是在skimage.measure模块中定义的，但在新版本中，它已经被移动到了一个单独的模块中。
解决方法：
- 若是旧版本的scikit-image，可以尝试升级版本来解决这个问题。
- 11、pip list查看已安装的scikit-image版本号为0.19.2。
- 22、pip uninstall scikit-image卸载。
- 33、安装scikit-image：pip install scikit-image。默认安装最新版本。上述BUG提示的链接中提到的方法是将0.19.2版本（python3.9）换成0.16.2版本（python3.8）就能解决问题，故需要通过scikit-image.whl下载地址安装。但是该方法需要同时切换python版本，由于本人使用的是python3.9，但是在官网中没有找到对应的scikit-image版本，尝试了一些版本但未成功。
- 若是新版本的scikit-image，则可能是导入时使用了错误的名称。可通过以下代码使用：marching_cubes_lewiner：
from skimage import measure
verts, faces, _, _ = measure.marching_cubes_lewiner(volume, level)
最终基于新版本的scikit-image，项目运行成功，并生成mesh.ply + pc.ply文件。
步骤三：前两个步骤已经可以正常生成结果文件，但是系统有两个警告，虽然不影响使用，但只需要将measure.marching_cubes_lewiner 更换为 measure.marching_cubes即可消除该问题。项目运行成功，并生成mesh.ply + pc.ply文件。
4.2、MeshLab安装（查看三维模型mesh.ply）
三维几何处理系统（MeshLab）：简介 + 安装 + 使用教程
- MeshLab是开源的3D三角网格编辑与处理系统，可以对3D网格进行全面的编辑与处理，包括编辑，清理，修复，检查，渲染，纹理和转换网格等。
- 另外，它还具备了处理由3D数字化工具 / 设备生成的原始数据，并提供3D模型打印功能，从而能够为用户实现工业化的模型创建。
- MeshLab官网下载地址：默认最新版本（支持多种平台）
- Github官网下载地址：累计发布版本（支持多种平台）
五、代码详解
TSDF算法原理、推导过程、源码解析： def __ init __()、def integrate()、def get_mesh(self)
注：只分析CPU版本源码，可以深入理解TSDF原理。而GPU版本主要内容：体素是如何通过多线程去索引并提取。
5.1、demo.py：主函数文件
"""Fuse 1000 RGB-D images from the 7-scenes dataset into a TSDF voxel volume with 2cm resolution."""import timeimport cv2import numpy as npimport fusionif __name__ == "__main__": # ======================================================================================================== # # （1）估计体素体边界 # ======================================================================================================== # print("Estimating voxel volume bounds...") n_imgs = 1000 # 1.1、指定数据集中的RGB图像总个数 cam_intr = np.loadtxt("data/camera-intrinsics.txt", delimiter=' ') # 1.2、读取相机内参 vol_bnds = np.zeros((3, 2)) # 1.3、以米为单位指定xyz边界(min/max)。 for i in range(n_imgs): depth_im = cv2.imread("data/frame-%06d.depth.png" % i, -1).astype(float) # 1.4、读取深度图像 depth_im /= 1000. # 单位为毫米。图像深度（depth）保存为16位PNG格式。 depth_im[depth_im == 65.535] = 0 # 将无效的图像深度设置为0(特定于7场景数据集) cam_pose = np.loadtxt("data/frame-%06d.pose.txt" % i) # 1.5、读取相机位姿: 4x4刚性变换矩阵 view_frust_pts = fusion.get_view_frustum(depth_im, cam_intr, cam_pose) # 1.6、计算相机的视锥体和扩展凸包 vol_bnds[:, 0] = np.minimum(vol_bnds[:, 0], np.amin(view_frust_pts, axis=1)) vol_bnds[:, 1] = np.maximum(vol_bnds[:, 1], np.amax(view_frust_pts, axis=1)) # 视锥体是摄像机可见的空间，看上去像截掉顶部的金字塔。 # ======================================================================================================== # # （2）RGB-D图像的TSDF体积融合 # ======================================================================================================== # print("Initializing voxel volume...") ########## 函数: fusion.TSDFVolume ########## tsdf_vol = fusion.TSDFVolume(vol_bnds, voxel_size=0.02) # 初始化体素大小=0.02m（即2cm） # ======================================================================================================== # # （3）循环RGB-D图像更新每个体素的TSDF值，并将它们融合在一起。 # ======================================================================================================== # t0_elapse = time.time() for i in range(n_imgs): print("Fusing frame %d/%d" % (i+1, n_imgs)) color_image = cv2.cvtColor(cv2.imread("data/frame-%06d.color.jpg" % i), cv2.COLOR_BGR2RGB) # 读取彩色图像 depth_im = cv2.imread("data/frame-%06d.depth.png" % i, -1).astype(float) # 读取深度图像 depth_im /= 1000. depth_im[depth_im == 65.535] = 0 cam_pose = np.loadtxt("data/frame-%06d.pose.txt" % i) # 读取相机位姿 ########## 函数: fusion.integrate ########## tsdf_vol.integrate(color_image, depth_im, cam_intr, cam_pose, obs_weight=1.) # 将观测结果整合到体素体中(假设颜色与深度对齐) # ======================================================================================================== # # （4）打印FPS，并输出.ply文件 # ======================================================================================================== # # 4.1、打印平均FPS:（表示画面每秒传输帧数） fps = n_imgs / (time.time() - t0_elapse) print("Average FPS: {:.2f}".format(fps)) # 4.2、从体素体中获取3D网格，并保存为多边形.ply文件到磁盘（可以使用Meshlab查看） print("Saving mesh to mesh.ply...") verts, faces, norms, colors = tsdf_vol.get_mesh() # 使用marching cubes体素级重建方法计算网格 ########## 函数: fusion.meshwrite ########## fusion.meshwrite("mesh.ply", verts, faces, norms, colors) # 4.3、从体素体积中获取点云，并保存为多边形.ply文件到磁盘（可以使用Meshlab查看） print("Saving point cloud to pc.ply...") point_cloud = tsdf_vol.get_point_cloud() # 从体素体中提取点云 ########## 函数: fusion.pcwrite ########## fusion.pcwrite("pc.ply", point_cloud)5.2、fusion.py：预定义文件
# Copyright (c) 2018 Andy Zengimport numpy as npfrom numba import njit, prangefrom skimage import measure# 默认使用GPU，若不使用需更改为: try 0; 否则需要安装pycuda.try: import pycuda.driver as cuda import pycuda.autoinit from pycuda.compiler import SourceModule FUSION_GPU_MODE = 1except Exception as err: print('Warning: {}'.format(err)) print('Failed to import PyCUDA. Running fusion in CPU mode.') FUSION_GPU_MODE = 0class TSDFVolume: """ Volumetric TSDF Fusion of RGB-D Images.（RGB-D图像的TSDF体积融合） """ def __init__(self, vol_bnds, voxel_size, use_gpu=False): """构造函数 Args: vol_bnds (ndarray): 以米为单位指定XYZ边界(min/max)。形状为(3,2)的数组（固定值）。 voxel_size (float): 以米为单位的体素大小（可自定义）。备注：体素越小，最终构成模型的体素个数越多，但运行速度越慢。 use_gpu=False: 是否使用GPU。若使用，需安装pycuda. """ # （1）将点云分布边界转换成numpy数组 vol_bnds = np.asarray(vol_bnds) # 数据类型转换: array转asarray. 区别在于是否共享内存 assert vol_bnds.shape == (3, 2), "[!] `vol_bnds` should be of shape (3, 2)." # （2）定义体素体参数 self._vol_bnds = vol_bnds # 体素体xyz边界 self._voxel_size = float(voxel_size) # 体素体每个立方体边长 self._trunc_margin = 5 * self._voxel_size # 截断距离，设置为体素边长的5倍 self._color_const = 256 * 256 # 辅助参数，用于提取rgb值 # （3）调整体积边界以及索引顺序（order='C': 表示最后一个索引变化最快） self._vol_dim = np.ceil((self._vol_bnds[:, 1]-self._vol_bnds[:, 0])/self._voxel_size).copy(order='C').astype(int) self._vol_bnds[:, 1] = self._vol_bnds[:, 0]+self._vol_dim*self._voxel_size self._vol_origin = self._vol_bnds[:, 0].copy(order='C').astype(np.float32) # （4）打印TSDF地图的尺寸: [L, W, H] print("Voxel volume size: {} x {} x {} - # points: {:,}" .format(self._vol_dim[0], self._vol_dim[1], self._vol_dim[2], self._vol_dim[0]*self._vol_dim[1]*self._vol_dim[2])) # 初始化保存体素体信息的容器 self._tsdf_vol_cpu = np.ones(self._vol_dim).astype(np.float32) # 用于保存每个体素栅格的tsdf值 self._weight_vol_cpu = np.zeros(self._vol_dim).astype(np.float32) # 用于保存每个体素栅格的权重值 self._color_vol_cpu = np.zeros(self._vol_dim).astype(np.float32) # 用于保存每个体素栅格的颜色值(将rgb三个值压缩成一个float32值表示) self.gpu_mode = use_gpu and FUSION_GPU_MODE # 将体素体积复制到GPU if self.gpu_mode: self._tsdf_vol_gpu = cuda.mem_alloc(self._tsdf_vol_cpu.nbytes) cuda.memcpy_htod(self._tsdf_vol_gpu, self._tsdf_vol_cpu) self._weight_vol_gpu = cuda.mem_alloc(self._weight_vol_cpu.nbytes) cuda.memcpy_htod(self._weight_vol_gpu, self._weight_vol_cpu) self._color_vol_gpu = cuda.mem_alloc(self._color_vol_cpu.nbytes) cuda.memcpy_htod(self._color_vol_gpu, self._color_vol_cpu) # Cuda内核函数(c++) 功能: 在GPU下的体素是如何通过多线程去索引并提取 self._cuda_src_mod = SourceModule(""" __global__ void integrate(float * tsdf_vol, float * weight_vol, float * color_vol, float * vol_dim, float * vol_origin, float * cam_intr, float * cam_pose, float * other_params, float * color_im, float * depth_im) { // Get voxel index int gpu_loop_idx = (int) other_params[0]; int max_threads_per_block = blockDim.x; int block_idx = blockIdx.z*gridDim.y*gridDim.x+blockIdx.y*gridDim.x+blockIdx.x; int voxel_idx = gpu_loop_idx*gridDim.x*gridDim.y*gridDim.z*max_threads_per_block +block_idx*max_threads_per_block+threadIdx.x; int vol_dim_x = (int) vol_dim[0]; int vol_dim_y = (int) vol_dim[1]; int vol_dim_z = (int) vol_dim[2]; if (voxel_idx > vol_dim_x*vol_dim_y*vol_dim_z) return; // Get voxel grid coordinates (note: be careful when casting) float voxel_x = floorf(((float)voxel_idx)/((float)(vol_dim_y*vol_dim_z))); float voxel_y = floorf(((float)(voxel_idx-((int)voxel_x)*vol_dim_y*vol_dim_z))/((float)vol_dim_z)); float voxel_z = (float)(voxel_idx-((int)voxel_x)*vol_dim_y*vol_dim_z-((int)voxel_y)*vol_dim_z); // Voxel grid coordinates to world coordinates float voxel_size = other_params[1]; float pt_x = vol_origin[0]+voxel_x*voxel_size; float pt_y = vol_origin[1]+voxel_y*voxel_size; float pt_z = vol_origin[2]+voxel_z*voxel_size; // World coordinates to camera coordinates float tmp_pt_x = pt_x-cam_pose[0*4+3]; float tmp_pt_y = pt_y-cam_pose[1*4+3]; float tmp_pt_z = pt_z-cam_pose[2*4+3]; float cam_pt_x = cam_pose[0*4+0]*tmp_pt_x+cam_pose[1*4+0]*tmp_pt_y+cam_pose[2*4+0]*tmp_pt_z; float cam_pt_y = cam_pose[0*4+1]*tmp_pt_x+cam_pose[1*4+1]*tmp_pt_y+cam_pose[2*4+1]*tmp_pt_z; float cam_pt_z = cam_pose[0*4+2]*tmp_pt_x+cam_pose[1*4+2]*tmp_pt_y+cam_pose[2*4+2]*tmp_pt_z; // Camera coordinates to image pixels int pixel_x = (int) roundf(cam_intr[0*3+0]*(cam_pt_x/cam_pt_z)+cam_intr[0*3+2]); int pixel_y = (int) roundf(cam_intr[1*3+1]*(cam_pt_y/cam_pt_z)+cam_intr[1*3+2]); // Skip if outside view frustum int im_h = (int) other_params[2]; int im_w = (int) other_params[3]; if (pixel_x = im_w || pixel_y = im_h || cam_pt_z
- 若是旧版本的scikit-image，可以尝试升级版本来解决这个问题。
- mesh.ply：是一种多边形网格文件格式。
上一篇：imap服务器密码怎么填写?
下一篇：怎么用服务器做测试系统?
