ORB-SLAM2源码逐行解析系列（三）：ORB-SLAM2中的Frame结构

1. 构造Frame

（1）大致流程

• 更新帧ID
• 获取图像金字塔参数
• ExtractORB：提取ORB特征点
• UndistortKeyPoints：对提取到的特征点进行去畸变
• mbInitialComputations（可选）：计算去畸变后的图像边界，一般是在第一帧或者相机标定参数发生变化之后进行
• AssignFeaturesToGrid：分配特征点到图像网格中

（2）代码实现

/**
 * @brief 单目帧构造函数
 * 
 * @param[in] imGray                            // 灰度图
 * @param[in] timeStamp                         // 时间戳
 * @param[in & out] extractor                   // ORB特征点提取器的句柄
 * @param[in] voc                               // ORB字典的句柄
 * @param[in] K                                 // 相机的内参数矩阵
 * @param[in] distCoef                          // 相机的去畸变参数
 * @param[in] bf                                // baseline*f
 * @param[in] thDepth                           // 区分远近点的深度阈值
 */
Frame::Frame(const cv::Mat &imGray, const double &timeStamp, 
             ORBextractor* extractor,ORBVocabulary* voc, cv::Mat &K, 
             cv::Mat &distCoef, const float &bf, const float &thDepth)
             :mpORBvocabulary(voc),mpORBextractorLeft(extractor),
             mpORBextractorRight(static_cast<ORBextractor*>(NULL)),
             mTimeStamp(timeStamp), mK(K.clone()), mDistCoef(distCoef.clone()), 
             mbf(bf), mThDepth(thDepth)
{
	// Step 1 更新帧的ID(自增)    注意：Frame ID(nNextId)是一个静态变量，作用域为全局
    mnId=nNextId++;

    // Step 2 获取图像金字塔的参数 (在构造SLAM系统时已计算出)
	// 获取图像金字塔的层数
    mnScaleLevels = mpORBextractorLeft->GetLevels();
	// 获取每层的缩放因子
    mfScaleFactor = mpORBextractorLeft->GetScaleFactor();
	// 计算每层缩放因子的自然对数
    mfLogScaleFactor = log(mfScaleFactor);
	// 获取各层图像的缩放因子
    mvScaleFactors = mpORBextractorLeft->GetScaleFactors();
	// 获取各层图像的缩放因子的倒数
    mvInvScaleFactors = mpORBextractorLeft->GetInverseScaleFactors();
	// 获取sigma^2
    mvLevelSigma2 = mpORBextractorLeft->GetScaleSigmaSquares();
	// 获取sigma^2的倒数
    mvInvLevelSigma2 = mpORBextractorLeft->GetInverseScaleSigmaSquares();  
                 
    // Step 3 对这个单目图像提取ORB特征点, 第一个参数0-左图， 1-右图
    // 对于单目而言只有左图，对于双目而言，在初始化时使用左右图，在跟踪时只使用左图
    ExtractORB(0,imGray);
	// 求出特征点的个数
    N = mvKeys.size();
	// 如果没有能够成功提取出特征点，那么就直接返回了
    if(mvKeys.empty())
        return;
                 
  // Step 4 用OpenCV的矫正函数、内参对提取到的特征点进行矫正(VINS-Mono中是采用逐次逼近的方法进行矫正)
  // 因为如果镜头的视场角较大的话，提取到的特征点是带畸变的
    UndistortKeyPoints();
    // 设置双目信息
	// 由于单目相机无法直接获得立体信息，所以这里要给右图像对应点和深度赋值-1表示没有相关信息
    mvuRight = vector<float>(N,-1);
    mvDepth = vector<float>(N,-1);
                 
    // 初始化当前帧的地图点(初始为空)
    mvpMapPoints = vector<MapPoint*>(N,static_cast<MapPoint*>(NULL));
	// 记录地图点是否为外点，初始化均为外点false
    mvbOutlier = vector<bool>(N,false);
         
/*
  Step 5 前面的UndistortKeyPoints()主要是对提取到的特征点进行去畸变，这里主要是对输入图像的4个边界角点进行去畸变. 然后计算去畸变后的图像边界，这个过程一般是在第一帧或者是相机标定参数发生变化之后进行
         即mbInitialComputations = true的情况下进行，否则直接进行特征点分配
*/
    if(mbInitialComputations)
    {
		// 计算去畸变后原始图像的边界(此时不存在图像金字塔)  [(mnMinX, mnMaxX), (mnMinY, mnMaxY)]
        ComputeImageBounds(imGray);

		// 表示一个图像像素相当于多少个图像网格列（宽）
        mfGridElementWidthInv=static_cast<float>(FRAME_GRID_COLS)/static_cast<float>(mnMaxX-mnMinX);
		// 表示一个图像像素相当于多少个图像网格行（高）
        mfGridElementHeightInv=static_cast<float>(FRAME_GRID_ROWS)/static_cast<float>(mnMaxY-mnMinY);

		// 给类的静态成员变量复制
        fx = K.at<float>(0,0);
        fy = K.at<float>(1,1);
        cx = K.at<float>(0,2);
        cy = K.at<float>(1,2);
		// 猜测是因为这种除法计算需要的时间略长，所以这里直接存储了这个中间计算结果
        invfx = 1.0f/fx;
        invfy = 1.0f/fy;

		// 特殊的初始化过程完成，标志复位
        mbInitialComputations=false;
    }

    //计算 basline
    mb = mbf/fx;
	// 将特征点分配到图像网格中 
    AssignFeaturesToGrid();
}