类似于特征点匹配

大前提

双目相机有行对齐校正，垂直坐标和左边是一样的

stereo keypoints立体关键点 mono keypoints单目关键点

回环候选： 1. 相似度高于邻居 2. 不是邻居 3. 连续三个邻居都是回环候选

跟踪的点：能和局部地图点匹配上的点

目的是找更多的匹配，优化相机位姿

ORB 特征图像金字塔的层数

• v：当前帧相机看该点的方向
• n：所有关键帧看该点平均方向

局部地图所有点投影到当前帧

还是搜索这一帧，但是搜索范围更大

PnP（透视n点问题），用于通过n组3D空间点与对应2D图像投影点，求解相机的位姿。

核心是最小化重投影误差（Reprojection Error），即 “3D 地图点通过预测位姿投影到当前帧的像素位置” 与 “实际观测到的特征点像素位置” 的差值

算出应该在什么位置，在周围搜索

如果视差小，就先不初始化，等到了视差足够的帧再初始化

单应矩阵反解R、t有8种可能

ORB 的尺度不变性不是无限的（只靠有限层图像金字塔实现），一个 3D 地图点只有在相机离它的距离处于 $ d_min $（最小距离）到 $ d_max $（最大距离）之间时，才能被 ORB 特征检测到、匹配到；超出这个范围，要么点太大 / 太小检测不到，要么尺度不匹配没法识别。

汉明距离 = 两个等长二进制串对应位置上数字不同的位数

用两张图里的同一个点，算出这个点在 3D 世界里的位置

仅对当前关键帧及其共视邻接关键帧、以及这些关键帧共同观测到的3D 地图点进行联合优化

不提取特征、不匹配点。假设相邻帧像素亮度不变，直接优化像素亮度误差，求相机位姿，同步建图（半稠密 / 稠密地图）

3平移+3旋转+1尺度

• 仅运动 BA（Motion-only BA）只优化相机位姿，不动地图点
• 滑动窗口 BA（Sliding Window BA） 只对最近一段关键帧做 BA

EKF、UKF这种

1. 共视图（Covisibility Graph）

表示关键帧之间共同观测地图点的无向加权图。 - 节点：所有关键帧 - 边：两帧共视≥15个地图点就连边 - 权值：两帧共享的地图点数量

2. 本质图 / 基本图（Essential Graph）

从共视图里精简出来、专门用于回环全局优化的稀疏子图。 - 节点：和共视图一样，全部关键帧 - 边：只保留三类——生成树边、高共视边(≥100)、回环闭合边 - 权值：无显式权值，只做位姿图优化用

用 ρ=1/d 代替深度 d，一开始给 ρ 一个方差很大、很不准的高斯分布，靠多帧观测 + 滤波，让 ρ 慢慢变准，最后再算出真实深度 d。（近处点有强视差约束，ρ 的方差能快速收敛。让「近处 / 远处的深度不确定性」都能被高斯分布合理描述，不会发散。）

召回率 = 检测出的真实正例数 / 全部真实正例数

将图像特征聚类构建视觉词典，把图像表示为视觉单词的频次向量，用于快速计算图像间相似度。

经典