LSD SLAM mapping部分的代码解析

   关于LSD SLAM的代码解析已经有人详细的介绍过了[1]，这篇博客主要是自己总结一下代码中自己看的一些思路，免得时间长了就忘记了。
   首先放上LSD SLAM整个算法框架：

   在LSD SLAM的mapping中，会首先判断当前frame是不是keyframe，判断的标准就是离上一帧keyframe的baseline是不是超过了一定的阈值，如果超过了阈值，那么就会把这current frame作为keyframe，反之就需要refine 当前的keyframe的深度值。

在mapping部分中，有几个主要的文件，分别是DepthMap.cpp，DepthMap.h，DepthMapPixelHypothesis.cpp，DepthMapPixelHypothesis.h。如下图所示：

这四个文件中一个有两个类（class）：
（1）class DepthMapPixelHypothesis：

主要描述的是深度图上的像素点的一些信息：是否有效、在不在黑名单中、要逃过的最小帧数、被有效观测的次数、像素点的逆深度值、像素点的你深度值的方差、以及平滑过的逆深度值和方差。
（2）class DepthMap：
主要是这个类里面的成员函数实现了mapping部分的功能，主要有：
a、初始化函数：

    void initializeFromGTDepth(Frame* new_frame);
    void initializeRandomly(Frame* new_frame);

LSD SLAM一般选择的是随机初始化像素的深度值，初始化的时候分配一个随机化的均值和一个较大的方差。（假设深度值是服从高斯分布的，所以只需要用一个均值和一个方差来表示就好），代码为：

    for(int y=1;y1;y++)
    {
        for(int x=1;x1;x++)
        {
            if(maxGradients[x+y*width] > MIN_ABS_GRAD_CREATE)
            {
                float idepth = 0.5f + 1.0f * ((rand() % 100001) / 100000.0f);
                currentDepthMap[x+y*width] = DepthMapPixelHypothesis(
                        idepth,
                        idepth,
                        VAR_RANDOM_INIT_INITIAL,
                        VAR_RANDOM_INIT_INITIAL,
                        20);
            }
            else
            {
                currentDepthMap[x+y*width].isValid = false;
                currentDepthMap[x+y*width].blacklisted = 0;
            }
        }
    }

b、updateKeyframe()函数
   当前帧不被选为keyframe的时候，调用updateKeyframe()来refine当前keyframe与current frame有overlap点的深度值。具体做法是：
   输入：keyframe的一个指针队列，从这个队列中找到与current frame有足够overlap的keyframe。找到之后，调用observeDepth()函数来计算current frame的深度值：
- -有深度值就利用observeDepthUpdate()来更新深度；
- -如果没有深度就用observeDepthCreate()产生一个新的深度值。
observeDepthUpdate()函数中，会调用makeAndCheckEPL()去计算极线，然后用doLineStereo()函数来计算极线匹配的误差。

误差满足要求则开始深度融合，高斯分布加上一个均匀分布来融合，融合的代码是：

在observedepthcreate()函数中，没有融合这一部分，是直接利用三角化求出深度即可，核心代码是：

c、propagateDepth()函数
如果当前帧被判定为keyframe，那么需要从把一个keyframe上的点投影到这一帧上，并且对相同的3d点的深度进行融合，这里就是进行的高斯融合，对应代码为：

参考文献：
[1] https://www.zybuluo.com/lancelot-vim/note/412293
[2] Engel, Jakob, Thomas Schöps, and Daniel Cremers. “LSD-SLAM: Large-scale direct monocular SLAM.” European    Conference on Computer Vision. Springer, Cham, 2014.
[3] https://github.com/tum-vision/lsd_slam