ORB-SLAM策略思考之Tracking线程

ORB-SLAM策略思考之跟踪线程

1 特征点提取

1. 图像金字塔，来解决尺度不变性问题（通过缩放后，得到原图像上的特征点位置信息）
2. FAST角点检测+灰度质心法，来解决旋转不变性问题（使用按行对称搜索的策略，加速）
3. 特征点分块双阈值提取+四叉树筛选策略，来使得FAST特征点分布较均匀，防止特征点集中导致位姿估计失败
4. 对图像添加一个19像素的镜像边框，防止BRIEF描述子模版超出图像边界导致描述子计算失败
5. 得到特征点后，注意使用相机畸变参数，将畸变特征点的位置进行校正

2 地图初始化

1. 使用初始化匹配（只进行原图匹配）策略来寻找两帧之间的特征点，用于构建基础矩阵或者单应性矩阵
2. 双线程恢复相机运动，使用基础矩阵和单应性矩阵恢复两种方式恢复相机运动
3. 使用RANSAC和卡方检验来构建评分系统，用于实现端到端的相机运动恢复
4. 使用初始化帧和匹配帧的双关键帧策略，实现地图的初始化（0和1的id在初始化阶段就被添加到全局地图中）
5. 使用全局优化的方式，对全局地图中的位姿和关键帧信息进行优化，用于校正初始地图的位姿和地图点信息

3 位姿估计

1. 使用恒速模型跟踪、基于上一帧的跟踪和重定位跟踪来提高跟踪过程的鲁棒性，保证跟踪的成功率
2. 使用速度参量、基于词袋的匹配方式和两帧之间的BA优化，进行恒速跟踪，这种方式计算量小，是首先需要考虑的方式
3. 当恒速模型跟踪失败时，尝试基于上一帧的跟踪策略，采用窗口匹配和两帧之间BA优化的策略进行跟踪，这种方式的计算量要比恒速模型跟踪的计算量大一些，主要是用在的窗口匹配上
4. 当基于上一帧的跟踪策略失败时，使用重定位进行位姿拯救，主要采用的策略有：
   1. 基于关键帧数据库的候选关键帧筛选策略
   2. 基于词袋的特征点匹配+RANSAC的EPnP的位姿估计策略，通过判断RANSAC迭代次数和内点数目来筛选候选关键帧策略
   3. 基于重投影的匹配方式产生新的匹配（已经成功的匹配不参加），基于BA优化来优化位姿
5. 如果重定位失败时，进行整个系统的重启工作，以当前帧进行整个SLAM系统的重启

4 局部地图跟踪

1. 使用一阶向量和二阶相连关键帧的方式进行局部地图的构建
2. 采用未匹配地图点+可视信息筛选可以进行匹配的地图点，可视条件如下：
   1. 地图点深度为正
   2. 重投影符合去畸变参数要求
   3. 深度在地图点的最大和最小深度范围内
   4. 视角满足小于60°的要求
3. 使用重投影匹配的方式添加匹配信息，并根据是否发生过重定位进行匹配参数构建
   1. 认为刚刚发生的重定位后，位姿信息并不准确，将会扩大匹配阈值
4. 使用局部BA进行位姿优化（3D地图点固定）

5 关键帧筛选

• 局部建图线程停止或者需要停止，则不插入
• 如果重定位距离较近且地图中的关键帧数目较多，则不插入
• 下面是关键帧插入策略
  • condition1：当上次插入关键帧距离当前帧较远时
  • condition2：当局部建图线程需要关键帧时
  • 条件2满足，则插入关键帧
  • 条件1满足且条件2不满足时，终止局部建图线程中的BA优化，且不插入当前关键帧