1.ORBSLAM系列|ORB-SLAM论文带读（一）（划重点）
2.ORB特征提取与匹配
3.视觉SLAMORB-SLAM：让人Orz的SLAM
4.ORBSLAM3--学习总结（5）将ORB-SLAM3及相关依赖打包成Docker镜像
5.关于运行DynaSLAM源码这档子事(OpenCV3.x版)
6.ORB-SLAM2源码系列--局部建图线程（MapPointCulling和KeyFrameCulling）

ORBSLAM系列|ORB-SLAM论文带读（一）（划重点）

       本文介绍了一种名为ORB-SLAM的新型单目SLAM系统，该系统在各种环境条件下都能实时运行。ORB-SLAM具有鲁棒性，支持宽基线回环和重定位，并且提供全自动初始化。系统的织梦坊游戏插件站源码核心设计是基于相同的特征用于跟踪、建图、重定位和回环，这使得系统高效、简单且可靠。ORB特征因其对视角和光照变化的鲁棒性而被采用，允许在不依赖GPU的情况下实现实时性能。系统在大环境下的实时运行能力归功于共视图的使用，跟踪和建图着重于局部共视区域，与全局地图尺寸无关。实时回环检测通过基于位姿图（本质图）的优化实现，而实时重定位则支持从跟踪失败中恢复位姿，并增强地图重用性。系统还引入了一种新的基于模型选择的自动且鲁棒的初始化过程，允许创建平面和非平面场景的初始化地图。一种针对地图点和关键帧选择的exe返源码适者生存策略提高了跟踪的鲁棒性，并且减少了冗余关键帧，增强了长时间运行的能力。

       ORB-SLAM在广泛评估中证明了其优越性，特别是在室内和室外环境的主流公开数据集上的评估。与最先进的单目SLAM方法相比，ORB-SLAM实现了前所未有的性能。系统被设计为完整且可靠，提供了一种最高效、精确且易于实施的解决方案。出于造福SLAM社区的目的，源代码已公开，以便其他研究者和开发者能够利用和改进这一系统。演示视频和代码可以在项目网页上找到。

ORB特征提取与匹配

       本文主要回顾了ORB特征提取的过程，并解决了个人对这一主题的疑惑，但未深入探讨OpenCV源码，原因在于个人懒于解析。文章参考了高翔的《视觉SLAM十四讲》和相关opencv实现，欢迎读者指正错误。

       好的读取硬盘源码特征点在于其显著性和匹配的准确性。角点特征，如E和F，因其特征明显，是理想的匹配对象。ORB算法采用OFAST快速提取这些特征点，下面将介绍OFAST和Oriented FAST的原理。

       OFAST角点检测基于亮度变化，例如，如果圆周上的连续个点亮度超过或低于特定阈值，像素可能被识别为特征点。Oriented FAST在此基础上增加方向信息，以保持旋转不变性。

       图像金字塔通过高斯模糊和降采样处理，解决了尺度不变性问题，确保不同尺度下的角点特征能准确匹配。接下来是BRIEF描述子，ORB算法使用的改进BRIEF描述特征，通过二进制编码存储角点邻域信息，以便判断匹配性。

       特征方向与BRIEF描述子的android hybrid源码结合，保证了旋转不变性。尽管旋转后BRIEF描述子会发生变化，但根据角点方向调整pattern，可以恢复旋转前的状态。

       总的来说，ORB特征提取包括角点检测、方向信息添加、尺度不变性处理以及BRIEF描述子编码，这些步骤共同确保了特征点的稳定性和匹配效率。通过《视觉SLAM十四讲》的实例，我们可以理解并应用这些技术。

视觉SLAMORB-SLAM：让人Orz的SLAM

       ORB-SLAM，在视觉SLAM领域享有盛誉，其源码在GitHub上已有4.4K+Star，充分彰显了西班牙小哥的出色贡献。近期深入研究其论文并结合源码，体验了一番酸爽，发现它在SLAM领域确实有着独特的魅力与贡献。

       ORB-SLAM的核心框架由三个并发进程组成：跟踪、局部建图和回环检测，色谱 php源码系统结构清晰，功能分明。跟踪是主进程，负责定位和跟踪相机运动，通过特征匹配实现定位与优化。局部建图则负责关键帧与地图点的插入、删除及局部优化。回环检测则通过搜索回环关键帧，实现位姿图优化，确保系统鲁棒性。

       特征提取是ORB-SLAM的关键之一，它采用ORB特征，兼顾性能与效率。与SURF、SIFT等相比，ORB提取速度快，每张仅需.3ms，适用于实时操作。ORB在FAST角点基础上加入方向信息，使BRIEF描述子旋转不变，同时利用图像金字塔和灰度质心法提取特征，实现尺度不变性。此外，通过网格划分与四叉树结构，ORB-SLAM确保特征点分布均匀，即使特征点不足，也可通过调整FAST阈值增加。

       单目初始化是ORB-SLAM的另一大亮点，它通过特征点匹配计算基础矩阵和单应矩阵，自动判断场景类型，无需人工设定模型。共视图与本质图结构则加强了关键帧间的联系，实现高效回环检测。相机重定位策略确保了系统在跟踪失败时能快速恢复，关键帧与地图点的删增策略则优化了系统性能。

       ORB-SLAM提供多样化的Bundle Adjustment方式，包括初始化阶段的全BA、跟踪过程的运动BA及局部建图阶段的局部BA，适应不同场景需求。整个系统庞大复杂，通过总结主要特性，虽有其精髓，但仍需深入研究，以充分理解其工作原理与优化策略。

       总之，ORB-SLAM在视觉SLAM领域展现出了其独特魅力与贡献，从其高效的特征提取到灵活的系统框架，再到多样化的优化策略，无不体现其在SLAM技术中的卓越地位。向所有SLAM领域的先驱者致以崇高的敬意。

ORBSLAM3--学习总结（5）将ORB-SLAM3及相关依赖打包成Docker镜像

       为了便于在不同环境中部署和使用ORB-SLAM3，我尝试将ORBSLAM3及其依赖打包成Docker镜像。以下是构建过程的简要记录，可能存在技术上的不足，期待您的指正。

       1. 准备Docker环境

       首先，确保你的系统已经安装了Docker。如果镜像下载速度慢，可以考虑添加国内和国外的镜像加速器，重启Docker服务以应用更改。

       2. Dockerfile创建镜像

       使用Dockerfile构建镜像时，我开始了一个基础示例，但实际操作时，可能需要根据具体环境调整。例如，基础镜像FROM ubuntu:.，可以通过添加加速器解决下载问题。

       3. 构建镜像与测试

       在Dockerfile中，定义镜像名称和标签（如orbslam3:latest），然后在容器中定位到ORBSLAM3源代码，并进行功能测试。

       3. 直接容器启动方式

       除了Dockerfile，也可以通过拉取基础镜像创建容器，然后在容器中安装所需依赖，如cmake、ros等。在Ubuntu容器中，通过apt包管理器安装，例如opencv和Eigen，最后将ORBSLAM3源码添加到容器内。

       4. 镜像制作与发布

       所有依赖安装完毕后，使用docker commit命令将容器转化为镜像。镜像可以通过DockerHub发布，需要先注册账号，然后登录并使用docker push命令将镜像上传到公共仓库，以便他人下载使用。

       以上步骤记录了将ORBSLAM3打包成Docker镜像的基本流程，如有问题或优化建议，欢迎分享。

关于运行DynaSLAM源码这档子事(OpenCV3.x版)

       源码运行记录

       本次记录基于OpenCV 3.x版本的DynaSLAM源码运行过程。

       基础环境

       根据DynaSLAM源码的Readme文件，需确保Python 2.7环境，并在Anaconda中建立虚拟环境进行后续操作。此记录面向OpenCV 3.x版本，对于版本适配的修改在第四大点，其余为通用步骤。

       满足ORB-SLAM2条件

       由于DynaSLAM基于ORB-SLAM2编写，需预装C++或C++0x编译器、Pangolin、OpenCV和Eigen3。DynaSLAM最初仅支持OpenCV 2.4.，但年有开发者提交了OpenCV 3.x支持代码。我使用的是OpenCV 3.4.5版本。

       安装其他库

       遵循开源代码Readme指南：

       安装boost库：sudo apt-get install libboost-all-dev

       克隆DynaSLAM源码并下载h5文件：git clone ThObs，即使过了两个关键帧也会被删除

       只有经过三个关键帧且未被剔除的点，才会被认定为高质量点，仅从队列移除

       另一方面，KeyFrameCulling则针对共视图中的关键帧进行冗余检测。步骤如下：

       提取当前关键帧的共视关键帧，并遍历它们

       对于每个共视关键帧，检查其地图点：若至少有3个其他关键帧观测到，被认为是冗余点

       对于双目或RGB-D，仅考虑近距离且深度值大于零的地图点

       若关键帧%以上的有效地图点被判断为冗余，该关键帧将被标记为冗余并删除

       这样的筛选机制确保了地图数据的准确性和效率。