ORB SLAM2运行步骤怎样跑通orbslam2

首先，需要正确下载、解压、安装Tomcat安装包，如下所示执行指令： sudo chmod 755 $CATALINA_HOME/bin/*.sh 注：CATALINA_HOME表示Tomcat根目录 正确安装后，并可以部署Web项目到tomcat/webapps中，而后在控制台中进入tomcat/logs/文件夹下

orb-slam综合感觉不错，就是pure rotation容易跟丢，提取特征点少的场景景容易跟丢。lsd速度慢，精度低些，不过因基于gradient，估计对规则纹理的室内和建筑场景有利。svo对于手持拍摄视频不好，作者提供的无人机测试数据还可以。 orb-slam和lsd今年都有新论文可以看看，多个方法各有优劣。

对于移动平台，目前单目slam算法的运算和存储要求高，稳定性也还不够。分方向还有stero camera，rgb-d，other sensors combined （imu, gps）等。

[1] ORBSLAM2 source code

初始化特征匹配

找候选匹配点函数，为什么要用网格呢，如果一个网格内没有特征点，直接跳过去，加速搜索。

连续2帧 特征点的数量 都大于100 才进行初始化。

[1] ORBSLAM2 source code

找最优和次优的逻辑：

这个BUG导致删除误差的能力下降了

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

阈值变大了，单个bin本来是12度，现在变为30度，比如说大部分都是12度以内，但是有的是20度，应该把他们删除，但是如果单个bin是30度的话，那就无法删除，这样弱化了对角度差过大的匹配的删除。

暴力匹配，那么重复怎么办？把之前的匹配不要了，当前的匹配放进去

[1] ORBSLAM2 source code

[2] 复习SVD分解

[3] 解Ax=b

为什么要对数据进行归一化？

对于不是很好的条件问题，数据归一化很重要，比如基础矩阵F直接线性变换DLT的计算方法。(如下说明)

归一化 *** 作、归一化函数

一阶距、一阶绝对距

这个式子自己展开下，就是和上面计算的过程一模一样。

就是V^T的最后一行(也就是第9个奇异向量)变成3X3求解的H矩阵。

U是左奇异向量，是一个8X8的矩阵

V^T是右奇异向量，是一个9X9的矩阵

w是奇异值矩阵，奇异值在对角线上，是一个8X9对角矩阵

奇异值是按照从大到小的顺序排的

为什么要对图像坐标进行归一化：能够提高运算结果的精度。

：均值

偏离程度的均值

// 归一化

// 去归一化

// RANSAC 随机采样

我们知道他的奇异值的维度是9(因为是要求9个未知量)，但是为什么是第9个呢，咋们怎么知道他的奇异值个数呢。正交矩阵是方阵，所以是第九个。

为什么ATA的特征向量就是VT的特征向量？这个怎么看的？有什么数学推理吗？还有想问下这个回答好像没有回答为什么V的第9个奇异向量是最优解这个问答？

[1] ORBSLAM2 source code

极线

对每一对点正向反向进行计算点到线的距离，误差在允许范围内就累加得分。误差越大，得分越低。然后选择一个最高得分的单应矩阵。

[1] ORBSLAM2 source code

[2] [ORB-SLAM2]卡方分布(Chi-squared)外点(outlier)剔除(说的太好了)

LocalMapping.cpp

不同的金字塔层级，重投影误差都用同一个相同的阈值不合理，因为每层金字塔，他的不确定是不一样的，用协方差对误差进行归一化，也就是去量纲了。接下来就是阈值的设定。

在概率论和数理统计中，k个自由度的卡方分布为k个互相独立服从标准正态的随机变量的平方和。卡方分布的自由度即为向量的维度。

因为是计算的是点到线的距离

这是基础矩阵的重要性质。因为F求不出尺度，尺度等价性。

正交阵<==>A的转置等于A的逆。

正定阵：x^Tx >0,x是一个非0向量

对角矩阵：(diagonal matrix)是一个主对角线之外的元素皆为0的矩阵，常写为diag（a1，a2,...,an) 。

自由度为2，服从高斯分布，出现的概率超过95%时对应的卡方分布的值，如果小于这个值的话，那就是内点。

H的话是重投影，自由度是2。

F的话是计算点到极线的距离，自由度是1，维度降低了。

不同的金字塔层级，重投影误差都用同一个相同的阈值不合理，因为每层金字塔，他的不确定是不一样的，用协方差对误差进行归一化，也就是去量纲了。接下来就是阈值的设定。使用卡方分布进行设定。

[!问题已提出][w1]11.通俗易懂理解单目初始化单应矩阵归一化及DLT计算原理

[1] ORBSLAM2 source code

通过H恢复R，t需要看吗？作者说不用看。不是重点。

CheckRT很关键的一个函数(很值得学习) ：

三角化的分析看 第6讲 视觉前端(切题 Done) 这个理解思路会更好。

取的是前4行的值，用第4个元素进行归一化 或者说用取的是前3行的值，用第3个元素进行归一化，有点奇怪？

VINS也是这样的，没问题。就是把第四维弄成1。

(1)三角化的特征点的x，y，z坐标是否无穷大

(2)夹角小于0.36度认为不好

(3)2帧中重投影误差是否太大。

(4)看下good点的数量。找good点最多的，并且good点要足够突出(second good <0.75* good)等

, 为深度值， 为相机归一化坐标， 是投影矩阵 ， 是点在世界坐标系下的坐标.

取第三行， , 所以

[1] ORBSLAM2 source code

F矩阵分解得到4组解，如何选择最好的呢？看每一种有效3D点的个数。看哪一种大于阈值0.7 * maxGood并且只有他一个。然后看下视差是否大于最小视差来判断最佳位姿。

H矩阵分解是几组解呢？8组解。看下good点的数量。找good点最多的，并且good点要足够突出(second good <0.75* good)等

[1] ORBSLAM2 source code

[1] ORBSLAM2 source code

[2] 通俗易懂理解KeyFrame类问题 要点(切题 Done)

对当前帧和所有地图点进行尺度归一化。

---