高翔博士SLAM十四讲（第四篇）

本文链接：https://blog.csdn.net/CSDN_XCS/article/details/89141227

这一篇文章的侧重点在：自己在编代码实践过程中，对框架和理论知识的感悟和理解。（用于查缺补漏，可跳过此节）
下文分析的代码为project 0.2，两两帧间的视觉里程计。

程序从run_vo.cpp开始执行，首先将所有待处理RGB图片和depth图片信息准备好，然后进入一个for循环，不断执行，直到所有图像都被处理完成。
在该for循环中，最重要的一句代码是调用对象vo（其本身为VisualOdometry类型）的一个成员函数addFrame，其功能是，先将第i帧图片装入Frame类，然后结合上一帧i-1图像（curr_与ref_），以估计位姿。
在该addFrame成员函数中，最主要的几步是：3.1提取ORB特征点的关键点(Oriented FAST)；3.2计算与关键点对应的描述子(Rotated BRIEF)；3.3特征点匹配(暴力匹配、汉明距离)；3.4位姿估计(Perspective-n-Point,3D-2D )。最后，如果判定是一个好的估计，使用另一个成员函数addKeyFrame加入到关键帧。

整个简单的两两帧间的视觉里程计至此完成。

ch 9. project 0.3

0.3和0.2版本的差别不大，构建的框架run_vo.cpp保持原状。
不同之处在于addFrame成员函数（之前介绍的第3步）中的3.4位姿估计poseEstimationPnP()，我们以之前得到的 RANSAC PnP位姿估计结果作为初值，再调用 g2o 进行优化。得到更为精确的位姿估计结果。

ch 9. project 0.4

0.4和0.3版本的差别较大，尤其是两种VO的工作原理。

程序同样从run_vo.cpp开始执行，首先将所有待处理RGB图片和depth图片信息准备好，然后进入一个for循环，不断执行，直到所有图像都被处理完成。
在该for循环中，最重要的一句代码是调用对象vo（其本身为VisualOdometry类型）的一个成员函数addFrame。但值得注意的是，该函数实现位姿估计是通过当前帧与地图之间的特征匹配关系，直接计算了Tcw。
在该addFrame成员函数中，最主要的几步是：3.1提取ORB特征点的关键点(Oriented FAST)；3.2计算与关键点对应的描述子(Rotated BRIEF)；< 3.3>特征点匹配(这里要注意，之前我们是提取ref_和curr_的特征点，进行这些特征点的匹配；此时，我们所做的匹配主要是在以下两种点集之间：从curr_提取的特征点 以及 从地图map中挑选的点)；3.4位姿估计(Perspective-n-Point,3D-2D )。最后，如果判定是一个好的估计，首先使用成员函数optimizeMap()对地图进行优化，然后再使用另一个成员函数addKeyFrame加入到关键帧。