跟踪线程(一):基于关键帧跟踪

ORB-SLAM匹配算法之SearchByBoW(KeyFrame,Frame, MapPoint) //输入为关键帧,当前帧以及地图点vector //关键帧与当前帧进行特征点匹配 //返回匹配点数量 int ORBmatcher::SearchByBoW(KeyFrame* pKF,Frame &F, vector<MapPoint*> &vpMapPointMatches) { const vector<MapPoint*> vpMapP... 阅读详情

本次我们主要讲解ORBSLAM2中跟踪模式的一种,基于参考关键帧的跟踪,这种跟踪模式主要用于没有速度信息,刚完成重定位或者恒速模型跟踪失败后进行,主要的函数为TrackReferenceKeyFrame(),其中主要进行了以下工作:

  • 将当前帧的描述子转化为BoW向量

    // Step 1:将当前帧的描述子转化为BoW向量
    mCurrentFrame.ComputeBoW();
    

    这个函数之前已经提到过

  • 在当前帧和参考关键帧之间利用DBOW加速匹配来寻找匹配关系

    // We perform first an ORB matching with the reference keyframe
    // If enough matches are found we setup a PnP solver
    ORBmatcher matcher(0.7,true);
    vector<MapPoint*> vpMapPointMatches;
    
    // Step 2:通过词袋BoW加速当前帧与参考帧之间的特征点匹配
    int nmatches = matcher.SearchByBoW(
        mpReferenceKF,          //参考关键帧
        mCurrentFrame,          //当前帧
        vpMapPointMatches);     //存储匹配关系
    
    // 匹配数目小于15,认为跟踪失败
    if(nmatches<15)
        return false;
    

    其中,SearchByBoW为另外一个重载函数,具体实现如下

    int ORBmatcher::SearchByBoW(KeyFrame* pKF,Frame &F, vector<MapPoint*> &vpMapPointMatches)
    {
        // 获取该关键帧的地图点
        const vector<MapPoint*> vpMapPointsKF = pKF->GetMapPointMatches();
    
        // 和普通帧F特征点的索引一致
        vpMapPointMatches = vector<MapPoint*>(F.N,static_cast<MapPoint*>(NULL));
    
        // 取出关键帧的词袋特征向量
        const DBoW2::FeatureVector &vFeatVecKF = pKF->mFeatVec;
    
        int nmatches=0;
    
        // 特征点角度旋转差统计用的直方图
        vector<int> rotHist[HISTO_LENGTH];
        for(int i=0;i<HISTO_LENGTH;i++)
            rotHist[i].reserve(500);
    
        // 将0~360的数转换到0~HISTO_LENGTH的系数
        // !原作者代码是 const float factor = 1.0f/HISTO_LENGTH; 是错误的,更改为下面代码  
        const float factor = HISTO_LENGTH/360.0f;
    
        // We perform the matching over ORB that belong to the same vocabulary node (at a certain level)
        // 将属于同一节点(特定层)的ORB特征进行匹配
        DBoW2::FeatureVector::const_iterator KFit = vFeatVecKF.begin();
        DBoW2::FeatureVector::const_iterator Fit = F.mFeatVec.begin();
        DBoW2::FeatureVector::const_iterator KFend = vFeatVecKF.end();
        DBoW2::FeatureVector::const_iterator Fend = F.mFeatVec.end();
    
        while(KFit != KFend && Fit != Fend)
        {
            // Step 1:分别取出属于同一node的ORB特征点(只有属于同一node,才有可能是匹配点)
            // first 元素就是node id,遍历
            if(KFit->first == Fit->first) 
            {
                // second 是该node内存储的feature index
                const vector<unsigned int> vIndicesKF = KFit->second;
                const vector<unsigned int> vIndicesF = Fit->second;
    
                // Step 2:遍历KF中属于该node的特征点
                for(size_t iKF=0; iKF<vIndicesKF.size(); iKF++)
                {
                    // 关键帧该节点中特征点的索引
                    const unsigned int realIdxKF = vIndicesKF[iKF];
    
                    // 取出KF中该特征对应的地图点
                    MapPoint* pMP = vpMapPointsKF[realIdxKF]; 
    
                    if(!pMP)
                        continue;
    
                    if(pMP->isBad())
                        continue;
    
                    const cv::Mat &dKF= pKF->mDescriptors.row(realIdxKF); // 取出KF中该特征对应的描述子
    
                    int bestDist1=256; // 最好的距离(最小距离)
                    int bestIdxF =-1 ;
                    int bestDist2=256; // 次好距离(倒数第二小距离)
    
                    // Step 3:遍历F中属于该node的特征点,寻找最佳匹配点
                    for(size_t iF=0; iF<vIndicesF.size(); iF++)
                    {
                        // 和上面for循环重名了,这里的realIdxF是指普通帧该节点中特征点的索引
                        const unsigned int realIdxF = vIndicesF[iF];
    
                        // 如果地图点存在,说明这个点已经被匹配过了,不再匹配,加快速度
                        if(vpMapPointMatches[realIdxF])
                            continue;
    
                        const cv::Mat &dF = F.mDescriptors.row(realIdxF); // 取出F中该特征对应的描述子
                        // 计算描述子的距离
                        const int dist =  DescriptorDistance(dKF,dF); 
    
                        // 遍历,记录最佳距离、最佳距离对应的索引、次佳距离等
                        // 如果 dist < bestDist1 < bestDist2,更新bestDist1 bestDist2
                        if(dist<bestDist1)
                        {
                            bestDist2=bestDist1;
                            bestDist1=dist;
                            bestIdxF=realIdxF;
                        }
                        // 如果bestDist1 < dist < bestDist2,更新bestDist2
                        else if(dist<bestDist2) 
                        {
                            bestDist2=dist;
                        }
                    }
    
                    // Step 4:根据阈值 和 角度投票剔除误匹配
                    // Step 4.1:第一关筛选:匹配距离必须小于设定阈值
                    if(bestDist1<=TH_LOW) 
                    {
                        // Step 4.2:第二关筛选:最佳匹配比次佳匹配明显要好,那么最佳匹配才真正靠谱
                        if(static_cast<float>(bestDist1)<mfNNratio*static_cast<float>(bestDist2))
                        {
                            // Step 4.3:记录成功匹配特征点的对应的地图点(来自关键帧)
                            vpMapPointMatches[bestIdxF]=pMP;
    
                            // 这里的realIdxKF是当前遍历到的关键帧的特征点id
                            const cv::KeyPoint &kp = pKF->mvKeysUn[realIdxKF];
    
                            // Step 4.4:计算匹配点旋转角度差所在的直方图
                            if(mbCheckOrientation)
                            {
                                // angle:每个特征点在提取描述子时的旋转主方向角度,如果图像旋转了,这个角度将发生改变
                                // 所有的特征点的角度变化应该是一致的,通过直方图统计得到最准确的角度变化值
                                float rot = kp.angle-F.mvKeys[bestIdxF].angle;// 该特征点的角度变化值
                                if(rot<0.0)
                                    rot+=360.0f;
                                int bin = round(rot*factor);// 将rot分配到bin组, 四舍五入, 其实就是离散到对应的直方图组中
                                if(bin==HISTO_LENGTH)
                                    bin=0;
                                assert(bin>=0 && bin<HISTO_LENGTH);
                                rotHist[bin].push_back(bestIdxF);       // 直方图统计
                            }
                            nmatches++;
                        }
                    }
    
                }
                KFit++;
                Fit++;
            }
            else if(KFit->first < Fit->first)
            {
                // 对齐
                KFit = vFeatVecKF.lower_bound(Fit->first);
            }
            else
            {
                // 对齐
                Fit = F.mFeatVec.lower_bound(KFit->first);
            }
        }
    
        // Step 5 根据方向剔除误匹配的点
        if(mbCheckOrientation)
        {
            // index
            int ind1=-1;
            int ind2=-1;
            int ind3=-1;
    
            // 筛选出在旋转角度差落在在直方图区间内数量最多的前三个bin的索引
            ComputeThreeMaxima(rotHist,HISTO_LENGTH,ind1,ind2,ind3);
    
            for(int i=0; i<HISTO_LENGTH; i++)
            {
                // 如果特征点的旋转角度变化量属于这三个组,则保留
                if(i==ind1 || i==ind2 || i==ind3)
                    continue;
    
                // 剔除掉不在前三的匹配对,因为他们不符合“主流旋转方向”  
                for(size_t j=0, jend=rotHist[i].size(); j<jend; j++)
                {
                    vpMapPointMatches[rotHist[i][j]]=static_cast<MapPoint*>(NULL);
                    nmatches--;
                }
            }
        }
    
        return nmatches;
    }
    
  • 将上一帧的位姿态作为当前帧位姿的初始值,以加速优化过程的收敛

    // Step 3:将上一帧的位姿态作为当前帧位姿的初始值
    mCurrentFrame.mvpMapPoints = vpMapPointMatches;
    mCurrentFrame.SetPose(mLastFrame.mTcw); // 用上一次的Tcw设置初值,在PoseOptimization可以收敛快一些
    
  • 剔除优化后匹配点中的外点

    // Step 5:剔除优化后的匹配点中的外点
    //之所以在优化之后才剔除外点,是因为在优化的过程中就有了对这些外点的标记
    int nmatchesMap = 0;
    for(int i =0; i<mCurrentFrame.N; i++)
    {
        if(mCurrentFrame.mvpMapPoints[i])
        {
            //如果对应到的某个特征点是外点
            if(mCurrentFrame.mvbOutlier[i])
            {
                //清除它在当前帧中存在过的痕迹
                MapPoint* pMP = mCurrentFrame.mvpMapPoints[i];
    
                mCurrentFrame.mvpMapPoints[i]=static_cast<MapPoint*>(NULL);
                mCurrentFrame.mvbOutlier[i]=false;
                pMP->mbTrackInView = false;
                pMP->mnLastFrameSeen = mCurrentFrame.mnId;
                nmatches--;
            }
            else if(mCurrentFrame.mvpMapPoints[i]->Observations()>0)
                //匹配的内点计数++
                nmatchesMap++;
        }
    }
    // 跟踪成功的数目超过10才认为跟踪成功,否则跟踪失败
    return nmatchesMap>=10;
    
ORB_SLAM2代码阅读(2)——tracking线程 ORB_SLAM2代码阅读——(2)tracking线程1、Tracking 1、Tracking 阅读详情

相关推荐

orbslam2代码详解之tracking线程——局部地图跟踪

目录局部地图跟踪TrackLocalMap()UpdateLocalMap()UpdateLocalKeyFrames()UpdateLocalPoints()SearchLocalPoints()NeedNewKeyFrame()CreateNewKeyFrame() 位姿跟踪三种方法都是基于帧间匹配,优化3D-2D重投影误差得到当前帧的初始位姿。这样得到的初始位姿不是可靠的,其只利用了两帧数据的信息,如果前一帧质量太差,得到的位姿可信度低。因此为了利用更多的信息,需要进一步将当前帧与局部地图进行匹配和.

itwaits的博客 1992

ORB-SLAM2 ---- ORBmatcher::SearchByBoW函数

ORB-SLAM2 ---- ORBmatcher::SearchByBoW函数解析

qq_41694024的博客 1840

ORB-SLAM2算法13之跟踪线程Tracking

本文主要学习ORB-SLAM2中的三大线程中的跟踪线程Tracking。

重点记录机器人和自动驾驶相关领域的技术,尤其是计算机视觉,视觉SLAM等,不仅有前言文献或必备算法的学习,也会有实际应用的点滴经验 447

(01)ORB-SLAM2源码无死角解析-(32) ORB特征匹配→跟踪线程BoW加速匹配,关键帧特征点跟踪SearchByBoW()

前面两篇博客对 BoW 的构建,以及:BRIEF描述子转BoW向量进行了讲解。那么他有什么作用呢?或者说,在什么地方可以得到应用。其实,利用到他的地方很多,比如跟踪线程中得关键帧特征点跟踪SearchByBoW()、局部建图线程中得搜索匹配三角化SearchForTriangulation。本来这个是后面进行讲解得内容,但是为了让大家了解源码是如何通过BoW加速匹配得。这里提前为大家分析这两个案例。这篇博客,就先来看看SearchByBoW()函数。

江南才尽江南山,年少无知年少狂! 1620

51雾化器实现

1. 雾化器简介 雾化器是将试液雾化的一种器械。雾化器是原子化系统的重要部件,其性能对测定的精密度和化学干扰等产生显著影响。因此要求雾化器喷雾稳定、雾滴细小、均匀和雾化效率高。雾化器的类型有超声雾化器,空气压缩式雾化器,网式雾化器。超声雾化器因其价格合适,适合家用,被广泛应用于加湿器,香薰机等各种小家电,也在医疗领域有很多的应用。家用雾化器的主要器件是一枚雾化片。 家用雾化器分为两种不同类别雾化片,实孔雾化片和微孔雾化片,这两种的喷雾方法和工作原理是有所不同的。不同的雾化片需要特定的频率才能工作。 实孔雾

qq_42415953的博客 2万+

TCGA之GDC-client工具下载安装与使用

文章主要是对GDC-client工具下载TCGA数据库数据整个过程的一个记录 1.下载GDC-client工具 GDC-client工具网址:GDC Data Transfer Tool | NCI Genomic Data Commons (cancer.gov) 我这里下的是上图中红圈中的版本, 2.解压安装 从网上了解的是不能解压到带中文的路径里,解压后是一个.exe文件,为了能直接在cmd命令行下使用,将其加入系统环境: 点击新建之后,输入将文件解压到的路径,然后...

better_strong的博客 1万+

4、ORB-SLAM闭环检测之通过词袋寻找当前关键帧和闭环候选帧之间的匹配

目录1、 SearchByBoW2、图解每一步实现原理2.1 通过词袋模型寻找匹配2.2 通过旋转直方图来筛除离群点 前面,我们已经了解到了sim3的求解流程,具体计算过程中有三步比较重要:1、寻找两关键帧之间的粗匹配来粗略估计sim3;2、由粗略估计出的sim3来寻找两关键帧之间更多的匹配;3、构建图优化模型,固定地图点通过两关键帧的地图点到两帧的重投影误差来优化sim3. 1、 SearchByBoW 函数SearchByBoW()。通过词袋,对关键帧的特征点进行跟踪,该函数用于闭环检测时两个关键帧间的

Walking_roll的博客 2291

Robocopy 参数进阶:/MIR 镜像同步与 /PURGE 删除操作的风险规避指南

本文深入解析Robocopy的/MIR镜像同步与/PURGE删除操作的高级用法及风险规避策略。通过实际案例和四重防护机制,指导用户安全实现目录同步,避免数据丢失风险,特别适用于远程主机间的数据复制与备份场景。

weixin_33462927的博客 369

3.5ORBSLAM3之跟踪参考关键帧TrackReferenceKeyFrame

本文对ORB-SLAM3代码tracking线程的跟踪参考关键帧TrackReferenceKeyFrame部分进行分析

超爱吃小蛋糕的66的博客 1371

手把手教你在飞牛 NAS 上部署自有图床,含Python调用接口

📸 想在飞牛 NAS 上部署图床?这篇教程超适合小白!从安装到使用,步骤清晰~

XiaoqiangClub的博客 2352

点云配准SIFT+SI+RANSAC+ICP

Spin Image(SI)是一种用于点云数据描述的特征描述子,广泛应用于三维点云配准、识别和重建等领域。它能够捕捉点云中的局部几何信息,具有旋转不变性和部分平移不变性等优点,是一种非常强大的特征描述子。Spin Image是一种强大的点云特征描述子,具有旋转不变性、局部几何信息捕捉等优点,适用于点云配准、目标识别和三维重建等多个领域。通过合理选择局部区域、建立参考框架和计算描述子,可以充分利用Spin Image描述点云的特征,从而实现各种三维场景分析和处理任务。

点云兔子的博客 563

ORB-SLAM2代码详解07: 跟踪线程Tracking

ORB-SLAM2代码详解07: 跟踪线程Tracking各成员函数/变量跟踪状态初始化单目相机初始化: `MonocularInitialization()`双目/RGBD相机初始化: `StereoInitialization()`初始位姿估计根据恒速运动模型估计初始位姿: `TrackWithMotionModel()`根据参考帧估计位姿: `TrackReferenceKeyFrame()`通过重定位估计位姿: `Relocalization()`跟踪局部地图: `TrackLocalMap()`关

ncepu_Chen的博客 6020

高性能算力中心 — RDMA — Overview

目录 文章目录目录RDMA基于以太网的 RoCE/RDMA 计算优化NVMeNVMe Over Fabrics基于以太网的 NVMe 存储优化 RDMA RDMA(Remote DMA,远程直接内存访问)是一种新的内存访问技术,RDMA 让计算机可以直接存取其他计算机的内存,而不需要经过 CPU 耗时的处理。RDMA 将数据从一个系统快速移动到远程系统存储器中,而不对操作系统造成任何影响。RDMA 技术的原理及其与 TCP/IP 架构的对比如下图所示。 InfiniBand(IB):从一开始就支持 R

烟云的计算 2371

ORB-SLAM2 代码解读(二):跟踪线程

本帖原文:链接 ORB-SLAM2 代码解读系列汇总:链接 0. 跟踪线程总体介绍    Tracking 线程运行在系统主线程中,负责对每帧图像进行特征提取、位姿估计、地图跟踪、关键帧选取等工作,可以简单理解为 SLAM 的前端里程计部分,但该线程也存在一些优化。 0.1 流程简述 1. 系统初始化:在 System SLAM() 初始化 SLAM 系统时初始化了跟踪线程mpTracker...

五小郎的学习笔记 3009

GEE:使用 CCDC 算法进行连续变化检测和分类

连续变化检测和分类(CCDC)算法是一种广泛应用于遥感数据分析的方法,可以用于检测土地覆盖变化、农作物生长状态的变化以及水资源的变化等。Google Earth Engine是一个强大的云端平台,提供了丰富的遥感数据和工具,可以用于执行各种类型的遥感数据分析。本文将介绍如何使用Google Earth Engine的CCDC算法进行连续变化检测和分类。

养乐多的博客 5685

手把手教你安装 OpenClaw 小龙虾(MAC安装教程),一次成功不踩坑

本文详细介绍了在Mac上安装OpenClaw的完整流程。主要内容包括:1)准备工作(磁盘空间、网络环境、终端工具);2)安装Homebrew包管理器及常见问题解决;3)安装Node.js 22+版本(环境核心);4)Git安装与验证;5)OpenClaw项目克隆、依赖安装及运行配置;6)大模型配置方法(以MiniMax为例)。文章提供了详细的命令行操作步骤和常见错误解决方案,特别强调了网络环境要求和Apple Silicon芯片的原生支持注意事项。最后展示了验证配置成功的方法和资源获取渠道。

Chengbei11的博客 6358

(01)ORB-SLAM2源码无死角解析-(34) 跟踪线程→初步了解跟踪线程,参考关键帧追踪TrackReferenceKeyFrame()

通过前面博客,相信大家已经了解很多 SLAM 的基础知识,比如ORB特征点、BRIEF描述子;根据Essential、Fundamental、Homography矩阵求解位姿;以及通过BoW加速特征匹配等。有了这些基础知识之后,下面就可以深入的了解 ORB-SLAM2 的整体架构了。ORB-SLAM2 的总体框架,图示如下:该图主要表达了三个线程: 跟踪线程、局部建图线程、闭环线程大致流程。可以看到跟踪线程主要包含了:提取ORB特征点\color{blue}{提取ORB特征点}提取ORB。.........

江南才尽江南山,年少无知年少狂! 1581

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

07 跟踪线程 Tracking

第二个阶段是局部地图跟踪,将当前帧的局部关键帧对应的局部地图点投影到该帧,得到更多的特征点匹配关系,对第一阶段的位姿再次优化得到相对准确的位姿。用局部地图点进行投影匹配,得到更多匹配关系,已经是当前帧地图点的不需要再投影,除此之外的点如果在当前帧的视野范围内,就进行投影匹配。函数,更新局部关键帧:遍历当前帧的地图点,记录所有能观测到当前帧地图点的关键帧;这是跟踪线程的第二阶段,将当前帧的局部关键帧对应的局部地图点投影到该帧,得到更多的特征点匹配关系,从而对第一阶段的位姿再次优化得到相对准确的位姿。

qq_44175983的博客 881

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ORB-SLAM3 tracking跟踪线程具体流程分析

ORB-SLAM3 中tracking线程是主线程,也是最为重要的部分,以双目为例,下面是本人对该线程的理解 基本流程 **track()流程如下: 从main()主函数进入 -> 读取图片(左右图,时间戳) -> 创建系统对象System SLAM -> 主循环 -> 双目跟踪System::TrackStereo() -> 处理双目数据Tracking::GrabImageStereo() -> 创建frame, track ->开始跟踪 -> 返回mCu

qq_51294589的博客 4023

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

ORB-SLAM3的源码的学习:ORB-SLAM3 中的跟踪线程

ORB-SLAM3 中的跟踪线程体流程和ORB-SLAM2基本一致。

2301_76831056的博客 1304

【视觉惯性SLAM:十一、ORB-SLAM2:跟踪线程】

跟踪方式关键作用方法概要参考关键帧跟踪提供额外约束,提升跟踪精度利用局部关键帧提供地图点进行投影匹配恒速模型跟踪提供初始位姿预测,缩小搜索范围根据上一帧位姿和速度预测当前帧位姿参考关键帧跟踪恢复跟踪,防止因丢失而中断通过词袋模型快速匹配候选关键帧并估计位姿局部地图跟踪提高局部跟踪精度,增加约束构建局部地图,进行投影匹配和优化当前帧位姿以上是ORB-SLAM2中跟踪线程的详细介绍。通过多种策略,ORB-SLAM2确保了跟踪的精度、实时性和鲁棒性,是其高性能的关键之一。

计算机领域博客,与时俱进的思想与技术。 1216

【ORB-SLAM2:六、 跟踪线程】

跟踪线程是ORB-SLAM的核心模块之一,负责实时估计相机的位姿。本章将围绕跟踪线程的主要流程、参考关键帧跟踪、恒速模型跟踪、重定位跟踪及同步地图跟踪进行详细探讨。通过对跟踪线程的整体流程及各子模块的详细讨论,可以看出ORB-SLAM的跟踪线程不仅要保证实时性和精度,还需通过多种容错机制和动态调整应对复杂的实际场景。当系统发生跟踪丢失时,重定位模块通过与历史关键帧的匹配恢复位姿,是ORB-SLAM的一个重要容错机制。恒速模型利用相机的上一帧运动状态,预测当前帧的位姿,是跟踪线程中一种高效且轻量化的方法。

计算机领域博客,与时俱进的思想与技术。 665

ORB-SLAM2和3区别:跟踪线程

这里简单记录一下ORB-SLAM3和ORB-SLAM2在跟踪线程的区别。第一阶段:参考关键帧跟踪、恒速模型跟踪、重定位跟踪。第二阶段:局部地图跟踪。第三阶段:短期跟踪丢失和长期跟踪丢失。其中第三阶段是ORB-SLAM3新增的一种状态。

jjjqqq123321的博客 1458

ORB-SLAM2源码学习:Tracking.cc②:Tracking::TrackReferenceKeyFrame参考关键帧跟踪

使用一张已知位姿的关键帧(通常是地图中某个之前记录下来的关键帧)来跟踪当前普通帧(位姿未知)。通过匹配当前帧中的特征点和参考关键帧中的特征点,进而估计当前帧的位姿。

2301_76831056的博客 716

跟踪线程 深度 双目初始化位姿 运动模型 关键帧模式 重定位 局部地图跟踪 关键帧

/** * This file is part of ORB-SLAM2. * * * mpMap就是我们整个位姿与地图(可以想象成ORB-SLAM运行时的那个界面世界), * MapPoint和KeyFrame都被包含在这个mpMap中。 * 因此创建这三者对象(地图,地图点,关键帧)时, * 三者之间的关系在构造函数中不能缺少。 * * 另外,由于一个关键帧提取出的特征点对应一个地图点...

万有文的博客 5815

ORB-SLAM2系列第六章—— 跟踪线程

系列文章目录 ORB-SLAM2系列第一章——简介 ORB-SLAM2系列第二章——ORB 特征点提取 ORB-SLAM2系列第三章—— 地图初始化 ORB-SLAM2系列第四章—— 地图点、关键帧、图结构 ORB-SLAM2系列第五章—— 特征匹配 文章目录系列文章目录前言一、跟踪线程整体流程二、参考关键帧跟踪1.应用场景2.思路3.具体流程三、恒速模型跟踪1.应用场景2.思想3.具体流程四、重定位跟踪1.应用场景2.思想3.具体流程四、局部地图跟踪1.应用场景2.具体流程 前言 迎浏览我的SLAM专

weixin_45947476的博客 4225
上一篇: 雷达系列论文翻译(三):The normal-distributionstransform
下一篇: 跟踪线程(二):基于匀速模型跟踪
Teamo1996
博客等级 码龄9年 116粉丝 119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