ORBSlam2学习研究-Tracking流程

Tracking线程整体流程图

 

Tracking线程函数主要功能和流程

 

TrackWithMotionModel

 

按照运动模式来进行Track，按照上一帧的速度与位姿作为初始，进行投影优化

1. 先通过上一帧的位姿和速度预测当前帧相机的位姿
2. 通过PnP方法估计相机位姿，在将上一帧的地图点投影到当前固定大小范围的帧平面上，如果匹配点少，那么扩大两倍的采点范围。
3. 然后进行一次BA算法，通过最小二乘法优化相机的位姿。
4. 优化位姿之后，对当前帧的关键点和地图点，抛弃无用的杂点，剩下的点供下一次操作使用。
 

 

TrackReferenceKeyFrame

 

按照关键帧来进行Track，从关键帧中查找Bow相近的帧，进行匹配优化位姿

1. 按照关键帧进行Track的方法和运动模式恢复相机运动位姿的方法接近。首先求解当前帧的BOW向量。
2. 再搜索当前帧和关键帧之间的关键点匹配关系，如果这个匹配关系小于15对的话，就Track失败了。
3. 接着讲当前帧的位置假定到上一帧的位置那里
4. 并通过最小二乘法优化相机的位姿。
5. 最后依然是抛弃无用的杂点，当match数大于等于10的时候，返回true成功

 

Relocalization

 

重定位，从之前的关键帧中找出与当前帧之间拥有充足匹配点的候选帧，利用Ransac迭代，通过PnP求解位姿。

1. 先计算当前帧的BOW值，并从关键帧数据库中查找候选的匹配关键帧
2. 构建PnP求解器，标记杂点，准备好每个关键帧和当前帧的匹配点集
3. 用PnP算法求解位姿，进行若干次P4P Ransac迭代，并使用非线性最小二乘优化，直到发现一个有充足inliers支持的相机位置。
4. 返回成功或失败

 

MonocularInitialization

 

单目相机的初始化过程，通过将最初的两帧之间进行对极约束和全局BA优化，得到较为准确的初始值

1. 当第一次进入该方法的时候，没有先前的帧数据，将当前帧保存为初始帧和最后一帧，并初始化一个初始化器。
2. 第二次进入该方法的时候，已经有初始化器了。
3. 利用ORB匹配器，对当前帧和初始帧进行匹配，对应关系小于100个时失败。
4. 利用八点法的对极约束，启动两个线程分别计算单应矩阵和基础矩阵，并通过score判断用单应矩阵回复运动轨迹还是使用基础矩阵回复运动轨迹。
5. 将初始帧和当前帧创建为关键帧，并创建地图点MapPoint
6. 通过全局BundleAdjustment优化相机位姿和关键点坐标
7. 设置单位深度并缩放初试基线和地图点。
8. 其他变量的初始化

 

TrackLocalMap

 

通过投影，从已经生成的地图点中找到更多的对应关系，精确结果

1. 更新Covisibility Graph， 更新局部关键帧
2. 根据局部关键帧，更新局部地图点，接下来运行过滤函数  isInFrustum
3. 将地图点投影到当前帧上，超出图像范围的舍弃
4. 当前视线方向v和地图点云平均视线方向n, 舍弃n*v<cos(60)的点云
5. 舍弃地图点到相机中心距离不在一定阈值内的点
6. 计算图像的尺度因子 isInFrustum 函数结束
7. 进行非线性最小二乘优化
8. 更新地图点的统计量

 

NeedNewKeyFrame

 

判断是否需要生成新的关键帧，确定关键帧的标准

1. 在上一次进行重定位之后，过了20帧数据，或关键帧数小于20个，不满足不能生成
2. 在上一个关键帧插入之后，过了20帧，或 局部建图是空闲状态，不满足不能生成。
3. 当前帧跟踪到大于若干个点，不满足不能生成
4. 当前帧的跟踪点数小于90%的参考关键帧跟踪点数，并且当前帧跟踪点数大于15，不满足不能生成

 

CreateNewKeyFrame

 

生成新的关键帧
--------------------- 
作者：吃水的鱼 
来源：CSDN 
原文：https://blog.csdn.net/chishuideyu/article/details/75314896 
版权声明：本文为博主原创文章，转载请附上博文链接！