ORB-SLAM2代码笔记（二）：Frame

Frame

成员变量：

1. ORB特征字典——用于重定位
2. ORB特征提取句柄
3. 时间戳
4. 相机内参 去畸变参数
5. 判断远近点深度阈值、相机基线长度
6. 左右图像特征点
7. 词袋模型参数，用于跟踪失败情况下重定位
8. 特征点网格分配情况，以及当前帧相对世界坐标的位姿（包括位姿矩阵的更新，以及相机光心坐标）
9. 相对世界坐标系的位姿
10. 指向参考关键帧的指针

双目，RGB-D和单目对应重载的构造函数:

1. 双目
   提取特征点同时开两个线程，0表示左图像，1表示右图像,两张图片提取的特征点会放在不同的vector中

thread threadLeft(&Frame::ExtractORB,                       //该线程的主函数
        this,                       //当前帧对象的对应指针
        0,                      //表示是左图图像
        imLeft);                    //图像数据
thread threadRight(&Frame::ExtractORB,this,1,imRight);
//等待两张图像特征点提取过程完成
threadLeft.join();
threadRight.join();

向量mvKeys中存放N个提取出的左图关键点，mDescriptor中存放提取出的左图描述子，右图的放在mvKeysRight和mDescriptorsRight中；

然后进行畸变矫正（由OpenCV完成），然后进行双目匹配（记录左图中特征点对应的右图坐标，以及恢复出的深度）；

2. RGB-D
   当成只有左侧图像，提取特征点

ExtractORB(0,imGray);

3. 单目
   提取特征点和RGB-D相同，由于单目相机无法直接获得立体信息，所以这里要给这个右图像对应点的横坐标和深度赋值-表示没有相关信息

mvuRight = vector(N,-1);
mvDepth = vector(N,-1);

4. 计算RGBD图像的立体深度信息
   void Frame::ComputeStereoFromRGBD(const cv::Mat &imDepth)
   根据像素坐标获取深度信息，如果深度存在则保存下来，这里还计算了假想右图的对应特征点的横坐标，这有什么用？
5. 特征点反投影到三维世界坐标系中
   cv::Mat Frame::UnprojectStereo(const int &i)
   传入的是特征点的序号。
6. 双目匹配，恢复深度
   void Frame::ComputeStereoMatches()
   这个函数比较复杂，目前还没看完
   \\7-19 更新

• 这应该Frame类中最重要的一个算法，双目匹配以及恢复特征点的深度

• 图像金字塔：0层是原始图。对0层高斯核卷积后，降采样（删除所有偶数行和偶数列）即可得到高斯金字塔第1层；插入0用高斯卷积恢复成原始大小，与0层相减，得到0层拉普拉斯金字塔，对应的是0层高斯金字塔在滤波降采样过程中丢失的信息，在其上可以提取特征。然后不断降采样，获得不同层的高斯金字塔与拉普拉斯金字塔，提取出的特征对应的尺度与金字塔的层数是正相关的。层数越高，对应的尺度越大，尺度不确定性越高。通过对图像的这种处理，我们可以提取出尺寸不变的的特征。但是在特征匹配时，需要考虑到提取特征点时对应的层数（尺度）。

• 在匹配左右帧的特征点时，虽然已经经过了极线矫正，但是不能仅仅搜索极线对应的同一行像素点，而应该根据右目提取特征点时的尺度（金字塔层数），确定一个极线附近的扫描范围r，这个带状范围内均包含这个特征信息。

• 算法流程

1. 对左目相机每个特征点，通过描述子在右目带状搜索区域找到匹配点，当尺度越大是带状区域越大，可以理解，图像放大后一个特征点可能占几行，我是这样理解的

2. 通过SAD匹配提高像素匹配修正量bestincR，SAD匹配是通过图像块差的绝对值之和来匹配的。

3. 做抛物线拟合找谷底得到亚像素匹配deltaR；

4. 计算视差，判断视差是否在范围内，如果在的话则 计算深度，匹配点真正位置。

5. 剔除SAD匹配偏差较大的匹配特征点。