用户分享汇总目录
INDEMIND双目视觉惯性模组创意征集活动，自启动以来受到了很多用户的积极响应，小D也受到了很多充满脑洞与创意的项目，今天为大家分享一下：
01.双目惯性模组的初探与实践
——来自熊猫飞天的投稿
INDEMIND双目惯性相机具备两个全局曝光的摄像头，图像帧率可以达到200FPS，1K Hz的IMU数据频率，具有硬件同步功能，是做VIO的理想设备。当然，价格也十分亲民。我在自家乡间小路上对模组及其SDK进行了深度、灰度测试，对SDK基础使用教程进行了一些更细致化的补充，同时我也把自己写的ROS节点分享到博客中，方便大家做参考。（我所使用的系统版本是ubuntu1604+ROS-Kinetic版本）。
测试视频链接：测试DEMO
博客原文链接：INDEMIND 双目相机使用教程
02.通过驱动字写数据采集程序
——来自用户椒盐蘑菇的投稿
最近做实验打算用之前购买的INDEMIND双目视觉惯性模组采集一些数据，虽然INDEMIND官方提供数据采集软件，但为了顺便复习一下OpenCV和C++，于是利用官方驱动写了一个简单的小程序。
比较棘手的问题：唯一比较麻烦的问题就是当帧率比较高的时候，数据量会比较大（双目惯性模组最高支持200FPS）。官方驱动的工作模式是，提供实现的回调函数它直接会根据硬件频率进行触发，回调函数必须能够比较快的返回。如果把写入放在回调函数里，会造成回调函数延迟，导致一些数据丢失。
解决办法：把回调函数获得的结果直接存入队列，再开多个写入线程进行写入磁盘操作，可以保证队列不会爆掉，要注意的一些问题就是多线程读写加锁的问题。
单线程回调，多线程写入：
Queue size: 0
Queue size: 0
Queue size: 0
Queue size: 1
Queue size: 0
Queue size: 0
Queue size: 0
Queue size: 0
Queue size: 1
Queue size: 0
Queue size: 0
四线程写入的时候将会达到预期效果。
完整实验代码：前往Git查看
03. INDEMIND双目惯性相机运行MSCFK
——来自知乎用户Sholmes
前段时间，我在苦苦寻找物美价廉的视觉惯性模块用来做VIO，问了一个ETH开发的，价格好几千，还是瑞士法郎，也看了看相对而言比较便宜的，比如Duo Camera等等，由于尺寸太小或者没有硬件同步之类的原因，应用场景都比较局限。
我是从高博的博客开始入门SLAM的。有一天看了高博的文章，是介绍一款双目惯性传感器。这一款不仅相机和IMU的频率足够高，还有我心心念念的硬件同步，而且高博的视频里，INDEMIND自主研发的Vi-SLAM跑的也很丝滑。
根据同类型的传感器价格，我开始以为这款也不便宜。读完高博的文章才发现，折后价格居然还不到千元，于是果断在某宝下单入手一件。
INDEMIND入手之后，我迫不及待的开始了运行VIO的尝试，不过开始的时候并不顺利。起初我没有搞懂INDEMIND自带的标定保存在什么位置。我加了INDEMIND的微信助手，回复说在配置文件里面T_SC。
我找到配置文件，又发现由于一直用的Kalibr做标定，不知道如何使用INDEMIND的标定格式。微信助手也是给我了答复。
不过之后通过查阅官网文档，我们发现，IMU标定所用的单位和我们通常用的Kalibr不一样。
所以实验室的小伙伴又改了一下INDEMIND的驱动。我们还用real sense对比了一下，两个传感器用相同方式运动，确认输出无误后，我们也用Kalibr做了标定。
接下来就是运行一个开源的VIO算法，MSCKF
项目地址：前往Git查看
我们先做了室内的测试，前几次效果并不好，因为检测到的特征点太少的缘故。调整了特征点检测的参数，获得了不错的精度。
测试视频：前往知乎查看
然后是室外测试，和室内一样也是特征点检测的越多精度越高。INDEMIND的相机曝光调整的比较好，所以即使在室外光线比室内强烈的情况下，也能检测到很多的特征点。
测试视频：前往知乎查看
总的来说INDEMIND比较适合跑VIO，因为具备硬件同步，相机的帧率也很高。相机的曝光调节的也合适，能用来在室外光照比较强的地方采集图像。我后来又参照着官方教程，用INDEMIND跑通了ORB SLAM，还试了一下语义分割，都得到了不错的效果。
项目地址：前往gitee查看
04.利用开源识别算法进行车牌检测
——来自用户bbadd_的投稿
最近想尝试做一下车牌的识别，正好手上有一个双目视觉模组，就想用这个模组试试车牌识别的效果。上网查了查，查到了ECCV2018的一篇论文，而且有国人用中文车牌数据集CCPD训练模型，效果还可以，就在楼下采集了一组车牌的数据，进行了测试。虽然测试结果一般（训练的比较粗糙），但双目惯性模组的数据采集功能还是值得点赞的！
论文链接：Sergio_Silva_License_Plate_Detection
CCPD训练模型链接：前往Git查看
测试结果如下：
车辆车牌识别Demo
05. 双目惯性模组导航项目分享
——来自用户来自用户Super博
项目简介：
项目需完成工程机械自动导航功能，前期通过GPS控制工程机械自动移动。由于在自动导航过程中的建筑物遮挡，出现GPS信号丢失问题，无法解决，因此引入视觉系统。GPS绝对定位精度高，缺点是易受遮挡丢失信号，视觉导航定位精度虽不如GPS，但能够在复杂的环境下作业。通过组合GPS与视觉系统，完成一套导航系统。（阅读本文需要ros基础）。
车体结构：
采用Indemind摄像头作为视觉数据采集与定位设备，放在车头，配合机动车底盘，控制板通过电子控制系统控制机动车。
技术简介
基本思想是建图，定位，然后导航的传统思路。采用ROS系统内建的gmapping建图算法，建图结果如图 3，A*与DWA导航算法，计算路径见图 4。
首先，使用INDEMIND摄像头作为视觉避障系统的视觉输入源与定位输入源，读取点云数据与定位数据送到gmapping算法，利用点云数据更新障碍物信息，利用定位数据作为odom话题发布者进行发布，便于更新车体定位。gmapping算法给出map话题。
再运行内置A*与DWA导航算法，订阅map与odom话题进行导航路径计算。ROS系统中配置的tf变换树如图 2，其中的camera_depth_frame为Indemind摄像头。
· 实验测试：
建图结果如下，可见INDEMIND建图较为精确，可绘制障碍物基本轮廓，提供较为精确基础数据。
A*与DWA导航算法计算出的路径如图 4，彩色区代表膨胀地图，可见导航算法计算路径已经避开膨胀地图中离障碍物较近区域。
小车移动后实时计算导航路径。小车依照导航算法路径前行，通过INDEMIND摄像头数据重新进行定位，如图 5，可见计算出的小车的角速度线速度已经发生改变，指示躲避障碍物的路径。
总结：
INDEMIND摄像头定位精度，视觉精度足够实现预期的视觉避障任务。出现的问题有，轮胎会出现打滑现象，仅仅通过INDEMIND摄像头定位，无法解决，需采用其他方法解决。通过解决打滑问题，能够实现更加精确的视觉导航。
……………………我是一条分割线………………
很开心在短短时间内看到这么多用户反馈。这些用户的真实反馈给了我们很多触动与启发，我们会进行一些综合评估，在现有服务支持的基础上，进行优化。相信过一段时间，大家能有更好的产品体验。
还没有参与活动的小伙伴们要抓紧啦，“创意征集活动”仍在进行中，4月30日前反馈优秀创意即可获得100-500元现金奖励，快行动起来吧~
活动：
同时，随着全国复工复产被按下“快进键”，想必很多小伙伴已经摩拳擦掌，忙着复工复产。在这样的特殊时期，小伙伴们不能放松警惕，解封不解防，个人防护仍然十分重要。
为了解决小伙伴们的后顾之忧，INDEMIND准备了一些健康包，快来领取吧~
活动规则：
4月14日起，购买双目视觉惯性模组可获赠健康包1个
19年至今，购买过双目惯性模组的武汉地区用户，凭借淘宝订单，可免费领取健康包1个。
活动时间：
本活动长期有效，结束日期另行通知。
健康包内容：
最后，小D祝愿每一位前行者，平安康乐！