* @brief 根据两关键帧的姿态计算两个关键帧之间的基本矩阵 * F = inv(K1 转置)*E*inv(K2) = inv(K1 转置)*t叉乘R*inv(K2) * @param pKF1 关键帧1 * @param pKF2 关键帧2

x'Fx = 0 整理可得：Af = 0 A = | x'x x'y x' y'x y'y y' x y 1 |, f = | f1 f2 f3 f4 f5 f6 f7 f8 f9 | 通过SVD求解Af = 0，A'A最小特征值对应的特征向量即为解 * @brief 从特征点匹配求fundamen

x'Fx = 0 整理可得：Af = 0 A = | x'x x'y x' y'x y'y y' x y 1 |, f = | f1 f2 f3 f4 f5 f6 f7 f8 f9 | 通过SVD求解Af = 0，A'A最小特征值对应的特征向量即为解 * @brief 从特征点匹配求fundamen

计算单应矩阵 8对点对 每个点提供两个约束 A × h = 0 求h 奇异值分解 求 h // 通过svd进行最小二乘求解 参考 http://www.fengbing.net/ |x'| | h1 h2 h3 ||x| |y'| = a | h4 h5 h6 ||y| 简写:

计算单应矩阵 8对点对 每个点提供两个约束 A × h = 0 求h 奇异值分解 求 h // 通过svd进行最小二乘求解 参考 http://www.fengbing.net/ |x'| | h1 h2 h3 ||x| |y'| = a | h4 h5 h6 ||y| 简写:

对于未校正的图像 计算校正后 图像的 尺寸

相机参数可以单独 提出来 做一个类

通过八叉树的方式计算特征点 主要就是划分格子，在不同的尺度下，每个格子进行Fast特征检测， 接下来就是将图像划分成八叉树形式，根据这一层的特征数确定八叉树的节点， 将这一层图像检测到的特征划分到这些节点，保证每个节点里面有一个特征。

通过八叉树的方式计算特征点 主要就是划分格子，在不同的尺度下，每个格子进行Fast特征检测， 接下来就是将图像划分成八叉树形式，根据这一层的特征数确定八叉树的节点， 将这一层图像检测到的特征划分到这些节点，保证每个节点里面有一个特征。

计算图像金字塔

计算图像金字塔

* @brief 计算当前帧与闭环帧的Sim3变换等 * * 1. 通过Bow加速描述子的匹配，利用RANSAC粗略地计算出当前帧与闭环帧的Sim3（当前帧---闭环帧） * 2. 根据估计的Sim3，对3D点进行投影找到更多匹配，通过优化的方法计算更精确的Sim3（当前帧---闭环帧） *

* @brief 计算当前帧与闭环帧的Sim3变换等 * * 1. 通过Bow加速描述子的匹配，利用RANSAC粗略地计算出当前帧与闭环帧的Sim3（当前帧---闭环帧） * 2. 根据估计的Sim3，对3D点进行投影找到更多匹配，通过优化的方法计算更精确的Sim3（当前帧---闭环帧） *

深度相机 计算 深度值 根据未校正的关键点 在深度图中的值 获得 匹配点横坐标 有原特征点校正的后横坐标 - 视差； 视差 = bf / 深度

深度相机 计算 深度值 根据未校正的关键点 在深度图中的值 获得 匹配点横坐标 有原特征点校正的后横坐标 - 视差； 视差 = bf / 深度

* @brief 双目匹配 双目匹配 特征点对匹配 * * 为左图的每一个特征点在右图中找到匹配点 \n * 根据基线(有冗余范围)上描述子距离找到匹配, 再进行SAD精确定位 \n * 最后对所有SAD的值进行排序, 剔除SAD值较大的匹配对，然后利用抛物线拟合得到亚像素精度的匹配

* @brief 双目匹配 双目匹配 特征点对匹配 * * 为左图的每一个特征点在右图中找到匹配点 \n * 根据基线(有冗余范围)上描述子距离找到匹配, 再进行SAD精确定位 \n * 最后对所有SAD的值进行排序, 剔除SAD值较大的匹配对，然后利用抛物线拟合得到亚像素精度的匹配

* @brief 统计直方图最高的三个bin保留，其他范围内的匹配点剔除。 另外，若最高的比第二高的高10倍以上，则只保留最高的bin中的匹配点。 若最高的比第 三高的高10倍以上，则 保留最高的和第二高bin中的匹配点。 * @param histo 直方图 * @param

* @brief 统计直方图最高的三个bin保留，其他范围内的匹配点剔除。 另外，若最高的比第二高的高10倍以上，则只保留最高的bin中的匹配点。 若最高的比第 三高的高10倍以上，则 保留最高的和第二高bin中的匹配点。 * @param histo 直方图 * @param

* @brief 闭环融合 全局优化 * * 1. 通过求解的Sim3以及相对姿态关系，调整与 当前帧相连的关键帧 mvpCurrentConnectedKFs 位姿 * 以及这些 关键帧观测到的MapPoints的位置（相连关键帧---当前帧） * 2. 用当前帧在闭环地图点

* @brief 闭环融合 全局优化 * * 1. 通过求解的Sim3以及相对姿态关系，调整与 当前帧相连的关键帧 mvpCurrentConnectedKFs 位姿 * 以及这些 关键帧观测到的MapPoints的位置（相连关键帧---当前帧） * 2. 用当前帧在闭环地图点

* @brief CreateInitialMapMonocular * 初始帧设置为世界坐标系原点 初始化后 解出来的 当前帧位姿T 最小化重投影误差 BA 全局优化位姿 T * 为单目摄像头三角化生成MapPoints */

* @brief CreateInitialMapMonocular * 初始帧设置为世界坐标系原点 初始化后 解出来的 当前帧位姿T 最小化重投影误差 BA 全局优化位姿 T * 为单目摄像头三角化生成MapPoints */

* @brief 创建新的关键帧 * * 对于非单目的情况，同时创建新的MapPoints */

* @brief 创建新的关键帧 * * 对于非单目的情况，同时创建新的MapPoints */

* @brief 相机运动过程中和共视程度比较高的关键帧通过三角化恢复出一些MapPoints * 根据当前关键帧恢复出一些新的地图点，不包括和当前关键帧匹配的局部地图点（已经在ProcessNewKeyFrame中处理） * 先处理新关键帧与局部地图点之间的关系，然后对局部地图点进行检查，

* @brief 相机运动过程中和共视程度比较高的关键帧通过三角化恢复出一些MapPoints * 根据当前关键帧恢复出一些新的地图点，不包括和当前关键帧匹配的局部地图点（已经在ProcessNewKeyFrame中处理） * 先处理新关键帧与局部地图点之间的关系，然后对局部地图点进行检查，

* @brief 分解Essential矩阵 * * F矩阵通过结合内参可以得到Essential矩阵，分解E矩阵将得到4组解 \n * 这4组解分别为[R1,t],[R1,-t],[R2,t],[R2,-t] * @param E Essential Matrix * @param

* @brief 分解Essential矩阵 * * F矩阵通过结合内参可以得到Essential矩阵，分解E矩阵将得到4组解 \n * 这4组解分别为[R1,t],[R1,-t],[R2,t],[R2,-t] * @param E Essential Matrix * @param

动态点 依据深度信息 进行区域增长扩充=================================

Bit set count operation from http://graphics.stanford.edu/~seander/bithacks.html#CountBitsSetParallel * @brief 二进制向量之间 相似度匹配距离 * @param a 二进制向量

Bit set count operation from http://graphics.stanford.edu/~seander/bithacks.html#CountBitsSetParallel * @brief 二进制向量之间 相似度匹配距离 * @param a 二进制向量

* @brief 检测是否发生闭环 出现相识的 关键帧 * @return 如果存在，返回true */

* @brief 检测是否发生闭环 出现相识的 关键帧 * @return 如果存在，返回true */

将特征点进行 八叉树划分 接下来就是将图像划分成八叉树形式，根据这一层的特征数 N 确定八叉树的节点， 将这一层图像检测到的特征划分到这些节点，保证每个节点里面有一个特征。

将特征点进行 八叉树划分 接下来就是将图像划分成八叉树形式，根据这一层的特征数 N 确定八叉树的节点， 将这一层图像检测到的特征划分到这些节点，保证每个节点里面有一个特征。

显示文字========================================================

提取动态点=============这是不是可以考虑用光流来计算动态点=============== 1. 选取 参考帧关键点 深度(0~6m) 计算参考帧下3d点 再变换到 世界坐标系下 2. 保留 当前帧 到 世界点 向量 与 参考帧到世界点向量 夹角 小于30的点， 不会太近的点 3. 保留世

关键点提取 + 描述子

关键点提取 + 描述子 */

计算基础矩阵 随机采样序列 8点 采用归一化的直接线性变换（normalized DLT） 在最大迭代次数内 调用 ComputeH21 计算 使用 CheckHomography 计算单应 得分 在最大迭代次数内 保留 最高得分的 单应矩阵 * @brief 计算基础矩阵 * * 假设

计算基础矩阵 随机采样序列 8点 采用归一化的直接线性变换（normalized DLT） 在最大迭代次数内 调用 ComputeH21 计算 使用 CheckHomography 计算单应 得分 在最大迭代次数内 保留 最高得分的 单应矩阵 * @brief 计算基础矩阵 * * 假设

* @brief 计算单应矩阵 随机采样序列 8点 采用归一化的直接线性变换（normalized DLT） * 假设场景为平面情况下通过前两帧求取Homography矩阵(current frame 2 到 reference frame 1) * 在最大迭代次数内 调用 Compute

* @brief 计算单应矩阵 随机采样序列 8点 采用归一化的直接线性变换（normalized DLT） * 假设场景为平面情况下通过前两帧求取Homography矩阵(current frame 2 到 reference frame 1) * 在最大迭代次数内 调用 Compute

生成当前帧的点云，简单滤波 并 分离地面 和 非地面 ============

多视角几何 检测 运动点

使用关键帧更新数据库=====

返回相机中心点 世界坐标系下 Returns the camera center.

返回相机中心点 世界坐标系下 Returns the camera center.

获取相机位姿=============cv::mat===========================

从关键帧数据库中获取当前帧的参考帧==== 选取的原则是相似性差值最大的几个???

双目相机 基线中心点 坐标

双目相机 基线中心点 坐标

=================================================

=================================================

=================================================

=================================================

================================================

================================================

全局优化 地图 迭代次数 * @brief pMap中所有的MapPoints和关键帧做bundle adjustment 全局优化 * 这个全局BA优化在本程序中有两个地方使用： * a.单目初始化： CreateInitialMapMonocular 函数 * b.闭环

全局优化 地图 迭代次数 * @brief pMap中所有的MapPoints和关键帧做bundle adjustment 全局优化 * 这个全局BA优化在本程序中有两个地方使用： * a.单目初始化： CreateInitialMapMonocular 函数 * b.闭环

* @brief 类构造函数 给定参考帧构造Initializer 单目相机初始化参考帧 * * 用reference frame来初始化，这个reference frame就是SLAM正式开始的第一帧 * @param ReferenceFrame 参考帧 * @param sig

* @brief 类构造函数 给定参考帧构造Initializer 单目相机初始化参考帧 * * 用reference frame来初始化，这个reference frame就是SLAM正式开始的第一帧 * @param ReferenceFrame 参考帧 * @param sig

将新点云 插入到 octomap地图中====

点是否在帧上===================

在 图像的尺寸范围内==============

Copy Constructor 默认初始化 主要是 直接赋值 写入到类内 变量 普通帧的 量全部复制过来

Copy Constructor 默认初始化 主要是 直接赋值 写入到类内 变量 普通帧的 量全部复制过来

* @brief 关键帧剔除 * 在Covisibility Graph 关键帧连接图 中的关键帧， * 其90%以上的地图点MapPoints能被其他关键帧（至少3个）观测到， * 则认为该关键帧为冗余关键帧。 * @param pKF1 关键帧1 * @param pK

* @brief 关键帧剔除 * 在Covisibility Graph 关键帧连接图 中的关键帧， * 其90%以上的地图点MapPoints能被其他关键帧（至少3个）观测到， * 则认为该关键帧为冗余关键帧。 * @param pKF1 关键帧1 * @param pK