Hali_Botebie的博客

源代码ORB_SLAM3（https://github.com/UZ-SLAMLab/ORB_SLAM3）https://mp.weixin.qq.com/s/vdnQfHoCIS5XZvYz2mCGNATrackMonocular是ORBSLAM单目视觉SLAM的追踪器接口，因此从这里入手。其中GrabImageMonocular下⾯有2个主要的函数：Frame::Frame()和Tracking::Track()。我会按照下⾯的框架流程来分解单⽬初始化过程，以便对整个流程有⽐较清晰的认识。记录了

https://mp.weixin.qq.com/s/1KHYaYnbJ8RtnVkMiRhKBA什么是词袋？师兄：词袋（Bag of Words，BoW）最早应用场景是自然语言处理领域，其中的Word就表示文本里的单词。后来的研究者把词袋用在视觉SLAM领域，这时候的Word表示的是图像里的局部信息，比如特征点。注意在词袋里的单词是没有顺序的，也就是我们只关心某幅图像里有没有出现某个单词，出现了多少次，而不关心到底是在图像哪个位置出现的，也不关心单词出现的先后顺序，这样就大大简化了词袋模型的表达方式，

文章目录参考在ORB-SLAM相机的位姿初始化的应用理解基础矩阵，本质矩阵单应性矩阵Homogeneous附录：对极几何参考https://www.zhihu.com/question/51510464https://cloud.tencent.com/developer/article/1483521在ORB-SLAM相机的位姿初始化的应用其中ORB-SLAM点云地图中相机的位姿初始化，无论算法工作在平面场景，还是非平面场景下，都能够完成初始化的工作。其中主要是使用了适用于平面场景的单应性矩阵H

https://mp.weixin.qq.com/s/rAKwPPm-Di3iqIpWi_qrmA师兄：ORB-SLAM2里用的最多的匹配方式就是投影匹配，根据不同的参数有多个重载函数，如下所示。不过它们的基本思想都差不多，我们后面以最复杂的一个函数（下面第1个函数）为例进行说明。于恒速模型跟踪，用前一个普通帧投影到当前帧进行匹配int SearchByProjection(Frame &CurrentFrame, const Frame &LastFrame, const float

https://mp.weixin.qq.com/s/O2_wiwnWjiI2R4VVAzrbVQORBSLAM2中的特征匹配小白：师兄，ORB-SLAM2里有很多种特征匹配函数，看的我眼花缭乱，为什么有这么多种呢？怎么决定什么时候用哪一种特征匹配方法呢？师兄：确实是比较多，但是基本思想是类似的，而且很多函数多次重载。我把特征匹配的几个重要函数都列出来，做了说明，见下：// 通过词袋来搜索匹配，用于刚刚初始化后跟踪参考关键帧里的快速匹配int SearchByBoW(KeyFrame* pKF,F

https://mp.weixin.qq.com/s/hAmNzTjK42QzvJZWq6Pj4ghttps://zhuanlan.zhihu.com/p/61738607为什么需要特征点均匀化？小白：师兄，ORB-SLAM2 中代码里 ORB 特征点为什么没有直接调用 OpenCV 的函数呢？师兄：OpenCV 的 ORB 特征提取方法有个问题，就是特征点往往集中在纹理丰富的区域，而缺乏特征的区域特征点数量会少很多，这会带来不好的影响。比如。。。小白：比如这会导致一部分特征点是没有用的，本来一个

https://mp.weixin.qq.com/s/GwOKauS6xKtLeCL3KKfZ4w师兄：在关键点部分我们根据灰度质心法得到关键点的旋转角度后，在计算描述子之前我们会先用这个角度进行旋转。如下图所示P为圆形区域的几何中心，Q为圆形区域的灰度质心，我们的目的就是把下图左中像素旋转到和主方向坐标轴对齐。师兄：前面我们用Oriented FAST确定了关键点，下面就要对每个关键点的信息进行量化，计算其描述子。ORB特征点里的描述子是在BRIEF基础上进行改进的，称之为Steered BRIEF

【课程预定】ORB-SLAM 解读

源文件地址：https://github.com/raulmur/ORB_SLAM2安装的依赖C++11 or C++0x CompilerPangolinOpenCVEigen3DBoW2 and g2o (源文件自带Included in Thirdparty folder)出错1：这个是查看issue的解决方法adding #include <unistd.h> , you can put it in System.h instead. All ot