weixin_51326570的博客

ORB-SLAM2学习笔记——闭环检测DetectLoop1、理论部分2、代码详解#include "KeyFrameDatabase.h"#include "KeyFrame.h"#include "Thirdparty/DBoW2/DBoW2/BowVector.h"#include<mutex>using namespace std;namespace ORB_SLAM2{KeyFrameDatabase::KeyFrameDatabase (const O

1、理论部分（待更新）2、代码详解//BRIEF 闭环检测后，EssentialGraph优化//OptimizeEssentialGraph会在成功进行闭环检测后,全局BA优化前进行/** * BRIEF 闭环检测后，EssentialGraph优化 * * 1. Vertex: * - g2o::VertexSim3Expmap，Essential graph中关键帧的位姿 * 2. Edge: * - g2o::EdgeSim3()，BaseBinaryEdge

ORB-SLAM2学习笔记——闭环时Sim3优化1、理论部分（待更新）2、代码详解//BRIEF 形成闭环时进行Sim3优化//sim3用于回环检测时计算关键帧与回环帧之间的关系 R 、t、 s//相似变换群sim3int Optimizer::OptimizeSim3(KeyFrame *pKF1, //关键帧1 KeyFrame *pKF2, //关键帧2 vector<Ma

ORB-SLAM2学习笔记——全局BA优化1、理论部分（待更新）2、代码详解void Optimizer::GlobalBundleAdjustemnt(Map* pMap, int nIterations, bool* pbStopFlag, const unsigned long nLoopKF, const bool bRobust){ //获取所有的关键帧和地图特征代点 vector<KeyFrame*> vpKFs = pMap->GetAllKeyFra

ORB-SLAM2学习笔记——局部BA优化1、理论部分（待更新）2、代码详解void Optimizer::LocalBundleAdjustment(KeyFrame *pKF, bool* pbStopFlag, Map* pMap){ // 该优化函数用于LocalMapping线程的局部BA优化 //step 1 : 得到所有局部关键帧 //step 2 : 得到所有地图点 //step 3 : 把关键帧和能看到的地图点对应到一起 //step

BundleAdjustment函数1、理论部分（待更新）2、代码详解//BA优化// BundleAdjustment( vpKFs //关键帧 ,vpMP //地图点 ,nIterations //迭代次数 ,pbStopFlag //停止标志 , nLoopKF //回环帧数量 , bRobu

epnp求解1、理论部分2、代码部分（作者牛pi）//对pnp求解后值进行保存PnPsolver::PnPsolver(const Frame &F, const vector<MapPoint*> &vpMapPointMatches): pws(0), us(0), alphas(0), pcs(0), maximum_number_of_correspondences(0), number_of_correspondences(0), mnInliersi(

Relocalization函数1 、理论部分（待更新）2、代码部分bool Tracking::Relocalization(){ // Compute Bag of Words Vector //计算当前帧特征点的词袋映射 mCurrentFrame.ComputeBoW(); // Relocalization is performed when tracking is lost // Track Lost: Query KeyFrame Databa

ORB_SLAM2 学习笔记（1）——总框架说明：笔记主要参考视觉slam十四讲以及该博主的讲解一步步带你看懂orbslam2源码感谢各位前辈的无私奉献。orb_slam2总共三个线程（1）Tracking：负责提取orb特征；估计相机位姿；判断关键帧的插入。（2）Local Mapping: 负责处理新的关键帧；进行局部优化更新位姿；创建新的地图点更新局部地图；剔除多余关键帧。（3）Loop Closing: 负责回环检测，工具：DBOW视觉词袋；全局地图优化，减少累积误差。orb_slam

ORB_SLAM2学习笔记（2）——特征提取本文主要参考slam十四讲，顺序参考一步步带你看懂orbslam2源码下面函数为单目Tracking线程的接口（文件momo_tum.cc中）： // Pass the image to the SLAM system整个系统的核心所在,负责实时跟踪输入图片, SLAM.TrackMonocular(im,tframe);//输入的是图片和时间下面为图形控制界面，控制是否激活定位模式和是否系统复位功能代码如下（文件Sy

ORB_SLAM2学习笔记（2）——单目初始化

ORB_SLAM2学习笔记（3）之 单目初始化（2）

1、理论部分2、ReconstructH 代码部分1、理论部分2、ReconstructH 代码部分//从本质矩阵中恢复出R t；bool Initializer::ReconstructH(vector<bool> &vbMatchesInliers, cv::Mat &H21, cv::Mat &K, cv::Mat &R21, cv::Mat &t21, vector<cv::P

Initialize////mvIniMatches:帧1特征点在帧2中的匹配//Rcw,tcw:待求相机位姿//mvIniP3D:成功匹配点的空间3D坐标//vbTriangulated:成功三角测量--ture,三角测量失败--falsebool Initializer::Initialize(const Frame &CurrentFrame, const vector<int> &vMatches12, cv::Mat &R21, cv::Mat &am

FindHomographyvoid Initializer::FindHomography(vector<bool> &vbMatchesInliers, float &score, cv::Mat &H21){ // Number of putative matches const int N = mvMatches12.size(); // Normalize coordinates vector<cv::Point2f&

1、 理论部分看图然后能得到下式，用第三个与前两个结合求解：u=λP0Xv=λP1X1=λP2X2、代码部分//三角化//将空间点投影到两个相机平面void Initializer::Triangulate(const cv::KeyPoint &kp1, const cv::KeyPoint &kp2, const cv::Mat &P1, const cv::Mat &P2, cv::Mat &x3D){ //构造A矩阵，用于求解空间点

1、ComputeH21函数cv::Mat Initializer::ComputeH21(const vector<cv::Point2f> &vP1, const vector<cv::Point2f> &vP2){ const int N = vP1.size(); cv::Mat A(2*N,9,CV_32F); for(int i=0; i<N; i++) { //提取像素点坐标，归一化平面上的

1、理论部分主要作用：计算误差，剔除外点，计算分数代码部分//去除外点，并计算分数float Initializer::CheckHomography(const cv::Mat &H21, const cv::Mat &H12, vector<bool> &vbMatchesInliers, float sigma){ //匹配的点对数量 const int N = mvMatches12.size(); //提取本质矩阵中的值

TrackReferenceKeyFrame函数1、理论部分大致意思就是在匹配过程中，利用词袋进行描述子的匹配，不再需要以往一样去匹配每一对描述子，利用词袋里的树结构找到最相似的描述子，层层匹配，大大提高了匹配速度2、代码部分bool Tracking::TrackReferenceKeyFrame(){ // Compute Bag of Words vector //将当前帧的描述子转化为BoW向量 mCurrentFrame.ComputeBoW(); //

TrackWithMotionModel函数1、理论部分.假设俩帧之间是匀速运动，根据这个条件来缩小匹配范围，加速匹配减少计算量。2、代码部分//带有运动模型的跟踪bool Tracking::TrackWithMotionModel(){ //匹配点大于90%的总数 ORBmatcher matcher(0.9,true); // Update last frame pose according to its reference keyframe //根据参