slambook 第九讲 实践：设计前端

首先设计五个类：分别为Frame ，Camera，Mappoint，Map，和Config类。

        一，在Canera类之中，我们存储相机的内参和外参，并且完成相机坐标系，像素坐标系以及世界坐标系之间的坐标变换。其中，相机的外参是变化的，由参数的形式传入。x，y，x_corrected,y_corrected（畸变纠正）都是归一化平面上的点。

将纠正的点通过内参数矩阵投影到像素平面，得到该点在图像上的正确位置。(cx cy 成像平面坐标系以及像素坐标系之间原点的关系)

fx_,fy_,cx_,cy_,depth_scale_5个变量前四个都是以像素为单位 f为焦距。

而dx和dy指的是每个像素个数的大小，即mm/pixel，那么经过换算最后得到的u、v的量纲自然也就是像素。fx和fy是由f/dx,f/dy计算而来，表示的是长度值为f时对应的像素个数，也即长度值为f(mm)时，在图像平面的x方向和y方向的像素个数

现以NiKon D700相机为例进行求解其内参数矩阵：
就算大家身边没有这款相机也无所谓，可以在网上百度一下，很方便的就知道其一些参数——      
焦距 f = 35mm   最高分辨率：4256×2832     传感器尺寸：36.0×23.9 mm
根据以上定义可以有：
u0= 4256/2 = 2128   v0= 2832/2 = 1416  dx = 36.0/4256   dy = 23.9/2832
fx = f/dx = 4137.8   fy = f/dy = 4147.3

相机的位姿都是T_c_w，用Sophus：：SE3来表示（世界坐标到相机坐标）。如果是相机转世界坐标系，用T_c_w的逆矩阵就可以了。
像素坐标和相机坐标之间转，定义了一个depth,z坐标直接是这个depth.：pnp估计相机位姿初始值
　1：se3的六维向量前三维表示的“平移”向量并不是真正意义上的平移向量，后三维是旋转向量
　2：so3的三维向量就是旋转向量
　3：se3转换的4*4矩阵分为四块
　　 左上角：so3的反对称矩阵
　　 右上角：se3的前三维“平移向量”
　　 左下角：０^T
　　 右下角：０

4：se3通过函数：rotationMatrix()，translation()转换出的就是旋转矩阵，平移向量

二，