追蹤線程

1. 灰度化處理。
2. 構建當前幀（提取每幅圖像的特征點，并分配到網格中，這會極大的方便某一領域內的特征點的查找與匹配）。
3. 單目相機初始化操作：通過特征點匹配，使用RANSAC+DLC計算H矩陣，并根據對稱轉移誤差計算H的評分。使用RANSAC+八點法計算E 矩陣，并根據極線約束估計F評分。選擇H/E后通過SVD分解獲得最優的R/t。隨后進行三角化測距，全局BA優化，優化初始地圖的相機位姿和路標點坐標。
4. 估計相機位姿并進行優化（位姿圖優化）。追蹤相機位姿的方法（主要的不同在于獲得當前幀位姿的方式）包括：(1)恒速運動模型：根據前兩幀的位姿變換估計當前幀的位姿，在領域內搜索特征點，隨后進行位姿優化。（2）參考關鍵幀模型：以上一幀的位姿為當前位姿，搜索當前幀的參考關鍵幀（共視點最多的關鍵幀），使用詞袋加速算法進行特征點匹配，隨后優化位姿。（3）重定位模型：使用詞袋加速算法獲得當前幀的候選關鍵幀，使用EPNP估計當前幀位姿，進行BA優化。
5. 追蹤局部地圖：將局部地圖中的路標點投影到當前幀中，在當前幀中搜索與之匹配的特征點（每個路標點會有一個描述子），隨后優化局部地圖中的關鍵幀的位姿。
6. 判斷關鍵幀。

?

局部建圖線程

1. 插入關鍵幀：將關鍵幀插入到局部地圖中。在這個過程中會進行一下操作：（1）計算當前關鍵幀的詞袋，并更新關鍵幀數據庫。（2）更新共視圖（更新當前幀和與其有共視關系的關鍵幀間的權重）。
2. 剔除錯誤的路標點：（1）路標點和關鍵幀中的特征點匹配，如果匹配成功的關鍵幀過少，則認為這個路標點是錯誤的。（2）路標點被3個以下的關鍵幀觀測到。
3. 建立新的路標點：尋找與當前幀共視程度最高的候選關鍵幀，使用詞袋加速算法+極限約束尋找特征點匹配。使用三角化測距形成新的路標點。在這個過程中，可能存在特征點1本來與路標點1存在聯系，三角化之后，特征點1與路標點2建立了聯系。這個時候需要進行路標點的融合。
4. 局部BA優化：優化局部地圖中的關鍵幀位姿和路標點坐標。這里的關鍵幀指的是與當前幀的共視程度超過一定閾值的關鍵幀。對于小于閾值的共視關鍵幀，這提供約束，不會對其位姿進行優化。
5. 刪除冗余關鍵幀：如果一個關鍵幀的90%以上的路標點可以被3個以上的關鍵幀觀測到，就會被刪除。

?

回環檢測

在局部建圖線程中，處理完一個關鍵幀后會將其拋入回環檢測線程中。

1. 檢測候選回環關鍵幀：與當前幀的共視路標點超過15個，且詞袋相似度大于一個閾值的關鍵幀視為候選回環關鍵幀。
2. 計算Sim3變換：由于單目相機存在尺度漂移現象，因此需要計算當前關鍵幀相對于回環關鍵幀以及世界坐標系的Sim3變換。
3. 回環融合：根據當前幀相對于世界坐標的Sim3變換，優化當前幀的共視關鍵幀的位姿（這樣就會減少誤差傳遞過程，使得位姿估計準確）。
4. 本質圖優化：對本質圖中的關鍵幀的位姿進行優化。
5. 在回環檢測之后還會有一個全局BA優化線程，對所有關鍵幀的位姿以及路標點的坐標進行優化。

?

視覺字典

事先訓練好的，在執行程序的時候會進行加載。
主要采用聚類算法+四叉樹形式存儲。為特征點描述子的集合。屬于同一類特征的特征點的描述子組成一個單詞。
可以根據詞典進行特征點的加速匹配（就是只對屬于同一個單詞的特征點進行匹配）。
?

關鍵幀數據庫

數據格式為哈希表，其主要作用為：尋找格式為：
單詞（1）：關鍵幀1、關鍵幀2、關鍵幀3…
單詞（2）：關鍵幀2、關鍵幀3、關鍵幀5…
在回環檢測、重定位時，會根據關鍵幀數據庫查找當前幀的候選關鍵幀。

總結

以上是生活随笔為你收集整理的ORB_SLAM2概述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。