基于RGB-D的 SLAM-前端和后端

（1）RGB-D SLAM 前端
     前端是一个求解运动变换的过程，并为后端提供初始的数据，大致上可以分为特征的检测、特征匹配和运动变换估计三个步骤。运动变换的求解实际上是一个循环的过程，在每一次循环中，对当前的图像帧进行特征检测和描述子的提取，创建特征描述器，与上一帧图像进行特征匹配，根据特征匹配结果建立起两帧图像对应点对的二维集合，对于每一组点对，利用其所对应的彩色信息和深度信息计算出相应的三维空间坐标，获取对应点对的三维坐标集合，综合利用二维和三维的点对集合，使用点对配准算法从而估算出相邻两帧图像之间的运动变换。

（2）RGB-D SLAM 后端
     后端是一个优化求解的过程，一般可以分为构建位姿图、闭环检测、优化位姿图和生成轨迹和地图四个步骤。利用前端的处理结果构建出初始的点边位姿图，以相机的位姿信息为节点，以相邻位姿的运动转换信息为边构建约束图像，利用闭环检测添加闭环约束，在全局范围内对位姿图进行优化求解，进而获得优化后各个节点新的位姿信息和运动转换信息，利用全局优化后的运动转换信息将点云进行拼接，最后生成全局一致性轨迹和地图。

（3）系统整体框架
     RGB-D SLAM 算法可以描述为三个阶段：
     准备阶段：主要处理软硬件平台的搭建以及传感器的校准和数据采集问题，结合上述软硬件平台框架，将 RGB-D 相机的彩色摄像头和深度摄像头进行图像对齐处理，分别对两个摄像头进行标定，构建相机模型，确定四个坐标系之间的转换关系，记录标定参数用于下个阶段；
     处理阶段：由前端和后端两个部分组成，使用 SURF 算法对图像进行特征点的检测和提取，构建特征描述子，应用 FLANN 方法进行特征匹配，结合阈值法提出错误的匹配，使用本文提出的 PnP-ICP 算法对相邻帧之间的运动变换进行求解，构建点边姿态图，设置关键帧提取机制，通过关键帧检测方法和闭环检测方法进行闭环检测（全局性大闭环检测和局部性小闭环检测），添加闭环约束关系，综合全局约束信息，使用 G2O 优化姿态图，消除轨迹漂移求解各节点最优姿态；
     结束阶段：将优化后的位姿图作为机器人的最优运行轨迹，运用各帧之间的运动变换关系将每帧图像所对应的点云拼接为全局一致性三维点云地图。

                                        RGB-D SLAM 系统整体框架