ORB-SLAM2源码阅读(一)-----ORB特征提取

认真的虎ORBSLAM2源码解读(四):图解ORB特征提取ORBextractor 目录1.理论基础 1.理论基础 Oriented FAST and Rotated BRIEF Features From Accelerated Segment Test Binary Robust Independent Elementary Features 阅读详情

前言


前言

ORB-SLAM的一大创新点在于系统的所有模块都使用了同一种特征:ORB,这样构造的系统更加简单、稳健。
本文首先介绍了原版的ORB特征,之后又介绍了ORB-SLAM对ORB特征的改进。

1.一定的尺度不变性:利用图像金子塔实现,由于金字塔层数有限,因此只能在一定范围保证尺度的不变性。

2.旋转不变性:首先利用灰度质心法计算出特征的方向,然后计算旋转后的BRIEF描述子。

3.抗噪能力:计算BRIEF的时候不是使用一个点的灰度,而是使用了点周围5×5区域的灰度。

4.应该也有一定的光照不变性:因为FAST提取的时候是比较灰度,rBRIEF的计算也是比较灰度。

5.速度快:使用了FAST角点,BRIEF描述子,二者均很快。速度是SIFT的100倍,SURF的10倍。

 鉴于对小白友好型,这里给一些理论基础,这些看懂之后再看就非常容易:

全网最详细SIFT算法原理实现

Sift中尺度空间、高斯金字塔、差分金字塔(DOG金字塔)、图像金字塔


1.构建图像金字塔

图像金字塔对应函数为:void ORBextractor::ComputePyramid(cv::Mat image)

    int nfeatures;			            ///<整个图像金字塔中,要提取的特征点数目
    double scaleFactor;		            ///<图像金字塔层与层之间的缩放因子
    int nlevels;			            ///<图像金字塔的层数

 对一张图像进行连续的等比缩放(一般是缩小),把多次缩放之后的图像加上原图,我们统称为图像金字塔,注意这里使用的是图像金字塔,并非高斯金字塔(应用在SIFT中)。

目的:在获取目标图像后计算图像金字塔(nlevels张不同分辨率的图片),为FAST关键点在各层上的计算提供支持。

实质:在不同的尺度空间上查找关键点,并计算出关键点的方向。

 其上的 Level 0 表示原图, Level 1 则为 按照缩放因子 f 进行第一次缩放的结果,Level 2 则是在 Level 1 的基础上,按照放因子 f 再次进行缩放之后的结果。这样一次循环叠加,形成了上面的图像金字塔。使用图像金字塔,我们可以提取到图像各个尺寸的关键点,这样增加了算法的鲁棒性。


2. 特征点数量的分配计算

2.1如何分配每一层提取的特征点数量。

金字塔层数越高,图像的面积越小,所能提取到的特征数量就越小。基于这个原理,我们可以按照面积将特征点均摊到金字塔每层的图像上。我们假设第0层图像的宽为 ,长为 ,缩放因子为 (这里的 )。那么整个金字塔总的面积为

 那么,单位面积的特征点数量为

那么,第0层应分配的特征点数量为 

 接着那么,推出了第 α 层应分配的特征点数量为

 实际上,OpenCV里的代码不是按照面积算的,而是按照边长来算的。也就是上面公式中的 [s2] 换成 s 。

[ORB-SLAM2] ORB-SLAM中的ORB特征(提取) - 知乎

2.2什么是FAST角点,如何提取?

FAST角点,通过对比中心与周围点(半径为3的圆上的点)灰度的差别,即可确定是否为关键点,速度贼快

 至于FAST算法的原理这里不过多的赘述可以参考:Features From Accelerated Segment Test

按照上述步骤对图像上每个像素处理一遍,可以获取大量的FAST角点。那,FAST角点容易出现扎堆现象,要用非极大值抑制再处理一遍(Non-maximal suppression)。TODO: NMS具体实施。非极大值抑制的方法使用的分数计算很简单,计算一个中心点与周围16个点灰度差绝对值的和最为分数:

为了选择响应最大的个角点,还需要计算一个Harris响应。最后,在每层中选择响应最大的 个特征点。TODO: Harris角点的计算。


3. Oriented FAST,旋转角度计算

原始的FAST关键点没有方向信息,当图像发生旋转后,brief描述子也会发生变化使得特征点对旋转不鲁棒。

解决办法:使用灰度质心法计算特征点的方向。(Oriented FAST)

灰度质心法:

(1)我们定义该区域图像的矩为:

在半径为R 的圆形图像区域,沿两个坐标轴 x,y方向的图像矩分别为:

圆形区域内所有像素的灰度值总和为:

图像的质心为:

第 3 步:然后关键点的 “ 主方向 ” 就可以表示为从圆形图像形心 指向质心 的方向向量 \overrightarrow{O C}于是关键点的旋转角度记为:

至此,不仅仅提取了FAST角点,还找出了角点的角度。这个角度可以用来指导描述子的提取,保证每次都在相同的方向上计算描述子,实现角度不变性。

 下图P为几何中心,Q为灰度质心

ORB-SLAM2中的函数: 

 * @brief 这个函数用于计算特征点的方向,这里是返回角度作为方向。
 * 计算特征点方向是为了使得提取的特征点具有旋转不变性。
 * 方法是灰度质心法:以几何中心和灰度质心的连线作为该特征点方向
 * @param[in] image     要进行操作的某层金字塔图像
 * @param[in] pt        当前特征点的坐标
 * @param[in] u_max     图像块的每一行的坐标边界 u_max
 * @return float        返回特征点的角度,范围为[0,360)角度,精度为0.3°
static float IC_Angle(const Mat& image, Point2f pt,  const vector<int> & u_max)

4. 计算Rotation-Aware BRIEF, rBRIEF

上述过程,只是找到关键点并确定了其方向,但ORB算法核心用途在于图像的匹配,我们需要对关键点进行数学层面的特征描述,也就是构建关键点描述符.

4.1 BRIEF描述子

  1. 以特征点为中心,取其大小为SxS的邻域p(S的大小paper中并为提及,也未讨论S的大小对结果的影响,但是通过原作者之后做的实验中发现,原作者使用的S大小为31)。
  2. 在这个区域p中选取nd个点对nd(x,y),定义τ:

     3.p(x)为x点的像素值大小。也就是比较x,y点的像素值,如果y点像素值大则为1,否则为0。 (nd=128,256和512)

     将nd个结果从最低位到最高位依次组成字符串fnd( p),

在这里插入图片描述

 这样把256个点对的结果排起来,就形成了BRIEF描述子。

BRIEF的匹配采用汉明距离,非常快,简单说就是看一下不相同的位数有多少个。如下的两个描述子,不同的位数为4。实际上我们选择的点对数为256,那么距离范围就是0~256。

4.2 Steered BRIEF

BRIEF描述子是没有考虑旋转不变性的,Steered BRIEF根据Oriented FAST计算出的角度,把原始的256个点对的坐标旋转之后,再取灰度。从而实现了旋转不变性。

对于任何一个特征点来说,它的BRIEF描述子是一个长度为nn的二值码串,这个二值串是由特征点周围nn个点对(2n2n个点)生成的,现在我们将这2n2n个点(xi,yi),i=1,2,⋯,2n(xi,yi),i=1,2,⋯,2n组成一个矩阵S

ORB中采用了一个更有效的方法:使用邻域方向θθ和对应的旋转矩阵RθRθ,构建SS的一个校正版本Sθ

 原始的256个点对坐标为 S ,旋转后的为 Sθ 。

 这里可以参考:Oriented FAST and Rotated BRIEF-特征点的描述

5. 使用四叉树均匀分布特征点---ORB-SLAM对ORB特征的改进

ORB-SLAM中并没有使用OpenCV的实现,因为OpenCV的版本提取的ORB特征过于集中,会出现扎堆的现象。这会降低SLAM的精度,对于闭环来说,也会降低一幅图像上的信息量。

ORB 特征提取策略对 ORB-SLAM2 性能的影响: ORB-SLAM2 中的 ORB 特征提取方法相对于 OpenCV 中的方法,提高了 ORB-SLAM2 的轨迹精 度和鲁棒性。增加特征提取的均匀性可以提高系统精度,但是似乎会降低特征提取的重复性。

具体参考:ORB特征提取策略对ORB-SLAM2性能的影响

ORB-SLAM中的实现提高了特征分布的均匀性。 

最简单的一种方法是把图像划分成若干小格子,每个小格子里面保留质量最好的n个特征点。这种方法看似不错,实际上会有一些问题。当有些格子里面能够提取的数量不足n个的时候(无纹理区域),整幅图上提取的特征总量就达不到我们想要的数量。严重的情况下,SLAM就会跟丢喽,ORB-SLAM中的实现就解决了这么一个问题,当一个格子提取不到FAST点的时候,自动降低阈值。ORB-SLAM主要改进了FAST角点提取步骤。

对应函数 DistributeOctTree

 * @brief 使用四叉树法对一个图像金字塔图层中的特征点进行平均和分发
 * @param[in] vToDistributeKeys     等待进行分配到四叉树中的特征点
 * @param[in] minX                  当前图层的图像的边界,坐标都是在“半径扩充图像”坐标系下的坐标
 * @param[in] maxX 
 * @param[in] minY 
 * @param[in] maxY 
 * @param[in] N                     希望提取出的特征点个数
 * @param[in] level                 指定的金字塔图层,并未使用
 * @return vector<cv::KeyPoint>     已经均匀分散好的特征点vector容器
 */
vector<cv::KeyPoint> ORBextractor::DistributeOctTree(const vector<cv::KeyPoint>& vToDistributeKeys, const int &minX,
                                       const int &maxX, const int &minY, const int &maxY, const int &N, const int &level)
  1. 对于金字塔的每一层。划分格子,格子的大小为30×30pixels
  2. 单独对每个格子提取FAST角点,如果提取不到点,就降低FAST阈值。这样保证纹理较弱的区域也能提取到一些FAST角点。这一步可以提取大量的FAST点。
  3. 基于四叉树,均匀的选取 Na 个FAST点。
  1. 如果图片的宽度比较宽,就先把分成左右w/h份。一般的640×480的图像开始的时候只有一个node。
  2. 如果node里面的点数>1,把每个node分成四个node,如果node里面的特征点为空,就不要了,删掉。
  3. 新分的node的点数>1,就再分裂成4个node。如此,一直分裂。
  4. 终止条件为:node的总数量> Na ,或者无法再进行分裂。
  5. 然后从每个node里面选择一个质量最好的FAST点。

图示表示的更清晰一些:

然后: 

 本文章只做学术共享,无其他目的。主要参考这位大佬的内容。

 参考:[ORB-SLAM2] ORB-SLAM中的ORB特征(提取)

OpenCV透视变换原理与实战:从单应性矩阵到文档矫正 透视变换是计算机视觉中实现平面图像几何校正的基础技术,其核心在于利用单应性矩阵(Homography)建模三维空间到二维图像的射影关系。不同于仿射变换的线性约束,透视变换通过有理函数映射支持任意凸四边形间的非线性变形,天然适配真实场景中的远小近大、平行线汇聚等透视现象。该技术具备确定性强、计算高效、无需训练数据等工程优势,广泛应用于文档扫描矫正、车牌识别预处理、AR贴图对齐及无人机正射影像生成等场景。结合OpenCV的cv2.findHomography与cv2.warpPerspective接口,开发者可 阅读详情

相关推荐

GoPro官方API实战:从蓝牙配对到Wi-Fi流媒体,构建跨平台控制应用

本文详细解析了GoPro官方API的开发实践,涵盖蓝牙配对、Wi-Fi流媒体控制等关键技术。通过实战案例,指导开发者如何构建跨平台控制应用,解决设备发现、指令解析、视频流传输等核心问题,并分享Android平台迁移经验与常见问题排查方法。

weixin_30727835的博客 399

SSD算法:源码整理_backbone,特征层提取,预测器

如何在这6个预测特征矩阵上,进行预测对于 size = m*n channel = p 的特征层,我们直接使用卷积核大小为3*3 channel = p的卷积核来进行实现,来生成概率分数,以及边界框偏移量(回归参数)显然,对于我们特征图上的每一个位置,我们会计算k个default box 我们对每个default box 计算 c个类别分数(包括背景),以及4个坐标偏移量,也就是需要(C+4)*k个卷积核 进行卷积处理,对于大小为m*n的特征层 就会生成 (C+4)*kmn个输出。

m0_51887082的博客 383

Avellaneda & Stoikov’s market-making strategy AS模型的通俗理解篇(一)

δa, δb = bid/ask spread, symmetrical → δa=δb 也就是一段时间内,这个midprice 上蹿下跳的幅度计算,其实做市也就是一种网格,或者说类似布林带,我们经过计算在底部放买单,在高点放一个卖单,如果上下都成交了,那么仓位不变,你把利差赚了。一般来说在震荡行情中,很适合做市,特别是波动率不高情况下,我们通过AS的经典论文得到2个最关键公式,下面来解读一下这个公式的含义,如何在hummingbot 策略中如何设置这些参数。如果单边上涨,你就无货可卖,俗称卖飞了。

weixin_42480337的博客 1万+

ORB-SLAM2源码分析和学习笔记03:ORB特征提取(1)

ORB-SLAM2源码分析和学习笔记03:ORB特征提取

weixin_45590487的博客 1462

人形机器人_双足行走动力学:基于OpenSim平台的股骨模型与建模

摘要 本文系统解析了股骨模型的生物力学特性、建模方法及应用场景,并探讨了基于OpenSim平台的股骨与42块肌肉Hill-type建模的技术流程。股骨作为人体核心承重骨骼,其几何结构、力学性能及多尺度建模方法在医学仿真、假体设计和仿生机器人领域具有重要价值。OpenSim通过逆向动力学、肌肉力优化及多物理场耦合,为临床步态分析、手术规划及仿生系统开发提供量化工具。同时对比了Hill-type模型与其他肌肉模型的优劣,并展望AI驱动建模、智能材料集成等前沿方向。未来研究将聚焦个性化仿真、实时计算优化及生物-机

一枚农夫,闲来有事聊聊天,交个朋友,让沉闷的生活畅想下 1586

思博伦Spirent TestCenter创建单播流uni-stream

Traffic Generator列表中会出现刚才创建的uni-stream,创建完成。通常测试情况下,主要对Ethenet II和IPv4 Header进行配置。(通常情况下,如果流配置比较规范,选择任意端口接收,也没问题。编辑uni-stream基本信息。配置本条流由STC哪个端口接收。

辗转反测的博客 1687

ORB特征点提取与均匀化——ORBSLAM2源码讲解(一)

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、ORB特征均匀化策略对性能的影响二、ORB特征金字塔三、ORB提取扩展图像四、ORB特征均匀化总结 前言 本博客结合哔哩大学视频ORBSLAM2【ORBSLAM2源码讲解专题一】ORB特征点提取与均匀化策略总结。 代码参照github的ORB_SLAM2_detailed_comments ORBSLAM2代码很经典,而且代码量大,会分成多个博客研究,下为slam专题的其他链接: 代码要求环境做了总结,解决了配置中的一些常

weixin_45947476的博客 6233

【C++】 详解 lower_bound 和 upper_bound 函数(看不懂来捶我!!!)

这两个函数是我在 LeetCode 上做题见到,看到不熟悉的函数 lower_bound 和 upper_bound让我感觉很难受,于是在C++ 官网去学习,例子就一个是最基础的,我看明白了。虽然是两个函数的接口就两个,但是有时候看别人使用的时候,里面参数还可以放不同的仿函数,我懵逼了。就去网上搜,但是大家讲解的都是它的第一个接口。我只能再把文档一遍一遍过,代码一遍遍的尝试,调试。最终通过查阅资料将其总结如下。

weixin_45031801的博客 9万+

探秘高效ORBSLAM2:成本优化与性能提升的秘诀

探秘高效ORBSLAM2:成本优化与性能提升的秘诀 项目介绍 ORBSLAM2是一款经过精心改造的视觉SLAM(Simultaneous Localization And Mapping)系统,尤其注重在性能和成本之间寻求最佳平衡。该项目致力于改进传统的ORBSLAM2,通过引入一系列算法创新,提高了其在实时定位与建图任务中的效率和准确性,适用于机器人导航和VR/AR等领域。 项目技术分析 1....

gitblog_00100的博客 594

Linkage Mapper 输出文件夹结构解析——LCPs(栅格廊道)、LinkagePaths(矢量廊道)、Nodes(节点)

Linkage Mapper输出文件解析摘要 Linkage Mapper是生态连通性分析的重要工具,通过最小累积阻力模型(MCR)识别物种迁移廊道。其输出包含三类核心文件: LCPs(栅格廊道):存储累积阻力值的栅格数据,直观展示低阻力路径,适用于空间分析和廊道质量评估。 LinkagePaths(矢量廊道):以矢量线状要素精确记录廊道位置和走向,便于地图可视化及连通性分析。 Nodes(节点):标记廊道关键点(起点/终点/交汇点),为保护策略制定提供依据。 典型应用场景包括: 山地物种(如大熊猫)栖息地

走向CTO的路上... 1337

【华为OD机试真题 2025C卷】238、贪吃蛇 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS)

【华为OD机试真题 2025C卷】238、贪吃蛇 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS) 华为od机试,华为od机试真题,华为od机试E卷,华为odE卷,华为od机试真题E卷,华为OD,华为OD机试,华为OD机试真题,华为od机考,华为od机试D卷,华为od机试真题D卷,华为od手撕代码,华为od,华为od机试C卷,华为od e卷,华为2025e卷,od机试,2025E卷,华为OD机试E卷,什么是华为od,华为od介绍,全面了解华为od,2025华为od,如何备战华为od,

正在更新最新华为OD机试2025B卷,提供OJ在线刷题 201

ORB-SLAM2 代码(+理论)解析(四): Tracking 线程 —— ORB特征点提取

ORB特征提取是 Tracking线程 中首先要做的事情,只有从图像中提取了特征,才能对camera中传入的一帧一帧的图像按照特征值来进行跟踪,进而来估计相机的位姿。 上一节博客中: https://blog.csdn.net/hltt3838/article/details/115096997, 最后我们介绍了 2.2.1 中Frame.cc 程序,里面包含特征点提取函数: ExtractORB(0,imGray) 一、ExtractORB(int flag, const cv::Mat &a..

努力努力努力 2112

安卓15_ROM修改定制化_____修改rom的前提条件 去除各种验证 安卓设备通用

通过博文了解💝💝💝 1-------💝💝💝了解安卓设备的启动流程与核心验证机制 2-------💝💝💝了解安卓设备修改rom中的各种验证机制以及对应的去除方法 3-------💝💝💝了解avb验证与dm验证的本质区别与对应的操作方式 4-------💝💝💝修改rom前的循序步骤 避免验证机制导致的不开机

小马哥的专栏 515

ORB-SLAM / ORB-SLAM2原理解读+代码解析(汇总了资料,方便大家学习)

官方代码链接 1 system.cc文件代码 // Output welcome message //Check settings file //Load ORB Vocabulary 疑问:词袋模型文件初始时从哪来的? 参考https://www.jianshu.com/p/cfcdf12a3bb6

GGY1102的博客 1万+

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

ORB-SLAM2代码详解01: ORB-SLAM2代码运行流程

ORB-SLAM2代码详解01: ORB-SLAM2代码运行流程运行官方Demo阅读代码之前你应该知道的事情变量命名规则理解多线程为什么要使用多线程?多线程中的锁SLAM主类`System`构造函数跟踪函数 运行官方Demo 以TUM数据集为例,运行Demo的命令: ./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM1.yaml PATH_TO_SEQUENCE_FOLDER ASSOCIATIONS_FILE rgbd_tu

ncepu_Chen的博客 1万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

ORB-SLAM3代码详解(一)----代码整体框架

原理五花八门,不如花点时间搞懂代码!(建议看完《视觉SLAM十四讲》再来看我的这个)首先介绍一下整体框架:这是 ORB-SLAM3 系统的主要组件框架图。图中展示了 ORB-SLAM3 的各个关键模块及其交互关系。这张图展示了ORB-SLAM3系统如何通过这些模块实现SLAM功能,包括跟踪、局部建图、回环检测与地图合并,以及全局优化。

qq_50719698的博客 7971

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

ORB-SLAM3源码阅读(五)ORB-SLAM 延伸

有了对数数据,就可以根据 RGB-D 数据,更新整个八叉树地图。假设在 RGB-D 图像中观测到某个像素带有深度 d,就说明在深度值对应的空间点上观测到了一个占据数据,并且从相机光心出发,到这个点的线段上都没有物体(否则会被遮挡)。学过地信的都知道这种地图编码方式比较高效,节省空间,当某个方块的子节点都相同,就无需展开。ORB-SLAM3 生成的是稀释点云地图,只能定位,无法直接用于导航,需要对稀疏点云稠密化构建稠密地图。对于占据和空白来说,选择用概论的形式表达,这样就可以动态建模地图中的障碍物信息。

实践出真理,接毕设/课设项目开发指导 1314

ORB-SLAM3源码阅读(二)Tracking 线程

由于此时搜索出的角点过多,因此本文对检测出来的角点群利用非极大值抑制方法进行 FAST 角点的筛选,并在保留的 FAST 角点上计算方向,以此来实现特征点的旋转不变性,最后计算当前图像帧中角点的 BRIEF( binary robustindependent elementary features)描述子用于与上一帧中的角点的 BRIEF 描述子进行特征匹配。实际情况下,从不同的距离,不同的方向、角度,不同的光照条件下观察一个物体时,物体的大小,形状 ,明暗都会有所不同。

实践出真理,接毕设/课设项目开发指导 1519

ORB-SLAM2 源码阅读笔记:System.cc与Tracking.cc程序详解

本文从\ORB_SLAM2\Examples\ROS\ORB_SLAM2\src\ros_mono.cc开始,记录了ORB_SLAM2框架代码的相关阅读笔记,并尝试从自己的理解角度进行解析。由于自己也是初学小白,阅读代码的过程中难免出现错误,望各位谅解,共同学习进步。

进阶的乔木同学每天都在码代码 1243

ORB_SLAM2 源码解析 ORB特征提取(二)

目录 一、各成员函数变量 1、定义一个枚举类型用于表示使用HARRIS响应值还是使用FAST响应值 2、内联函数都是用来直接获取类的成员变量的 3、保护成员 二、计算特征点的方向 computeOrientation() 2.1、灰度质心法算法步骤 1、计算一个半径为15的近似圆 2、计算特征点角度 3、IC_Angle 计算技巧 4、灰度质心法计算公式 5、计算特征点的方向(computeOrientation) 三、FAST描述子 BRIEF描述子生成步骤 ...

m0_58173801的博客 3666

ORB-SLAM: A Versatile and Accurate Monocular SLAM System

[1] Mur-Artal R, Montiel J M M, Tardós J D. ORB-SLAM: A Versatile and Accurate Monocular SLAM System[J]. IEEE Transactions on Robotics, 2015, 31(5): 1147-1163. 为了方便阅读转自【泡泡机器人翻译专栏】ORB-SLAM:精确多功能单目SLAM...

冬瓜大侠 4443

深入探索ORB-SLAM2:源码解析与技术应用

深入探索ORB-SLAM2:源码解析与技术应用 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 ORB-SLAM2是一款开源的视觉SLAM(Simultaneous Localization and Mapping)系统,广泛应用于机器人导航、增强现实(AR)、自动驾驶等领域。为了帮助开发者、研究人员和学生更好地理解和掌握ORB-SLAM2的核心技术,我们推出了《ORB...

gitblog_06666的博客 869

【SLAM】ORB-SLAM2的源码阅读(二):ORB特征提取

怎么读一个工程?代码菜鸟不敢妄言。LZ也就尝试化整为零,逐个击破,再化零为整,全局理解。下面代码来自ORB_SLAM2的ORBextractor.h和ORBextractor.cc.为什么要写这个博客,因为笨,看代码怕忘了。自己写一遍加深下记忆。为什么不直接转载?大神很多,转载自己思考很少,自己动手虽然比不过大神,但是还是会有所收获。如果有好的,可以把链接加在参考博客位置。 #ifndef ...

Felaim的博客 5734

阅读ORB-SLAM2代码解析

因为看论文看的实在是烦透了,想着过来在回顾一下代码,顺便记录一下。只看关键部分的代码!!!跳转到TrackRGBD的定义,总的代码如下,这就是一个很大的工程量代码,分步骤解析吧。处理RGBD图像,返回相机位姿跳转到GrabIRGBD函数定义:将RGB图像灰度化,根据Frame(mImGray,imDepth,timestamp,mpORBextractorLeft........);获取当前帧,然后Tack,从而得到Tcw"齐次变换矩阵从世界坐标系到相机坐标系”的变换矩阵,表示相机在世界坐标系中的位姿"

m0_74248840的博客 683

ORB SLAM2阅读笔记(一)

动机: 前几篇Blog根据 高老大的《SLAM十四讲》把整体思路梳理了一下,这里阅读源码的目的是发现工程实际中遇到的问题以及解决这些问题用到的工程技巧,同时膜拜一下Raúl Mur Artal大神的经典作品 参考链接: [ORB-SLAM2] ORB-SLAM中的ORB特征(提取) - 知乎 一步步带你看懂orbslam2源码--orb特征点提取(二)_Mr.Sliver的博客-CSDN博客_orbslam2特征点提取 GitHub - electech6/ORB_SLAM2_detailed

weixin_56836871的博客 1115

ORBSLAM2源码阅读(2)——算法部分

算法通用数据结构TrackingOrb特征提取oFASTrBRIEFORBSLAM中的实际应用从之前的关键帧中初始化位姿估计从全局重定位中初始化位姿估计 本来的打算是直接进三个线程源码的,结果整理了一下发现如果直接进源码根本不知道他在干什么,而且虽然名字叫ORB-SLAM,但是内容却不仅仅是ORB,牵扯到论文很多也很细,内容也非常有意思。所以想着就先单独把算法部分提出来,统一梳理一边,也方便之后...

菠菜明灯的博客 1499
上一篇: BA与图优化-SLAM十四讲学习笔记
下一篇: 地图点、关键帧、图结构
Stu.xian
博客等级 码龄6年 83粉丝 17原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址