下面主要是对书籍《视觉SLAM14讲》的一个学习笔记，只是前面7章的笔记，后面几张后续再更新。。。
第一讲 前言
C++ STL的基本用法：http://blog.csdn.net/piaoxuezhong/article/details/54348787
STL叫做Standard Template Library ，标准模板库。
本书的所有代码在：
https://github.com/gaoxiang12/slambook
VisualBox中虚拟机和PC机之间的共享文件夹方法：
https://jingyan.baidu.com/article/656db918cca831e381249cce.html
第二讲 初始SLAM
软件平台搭建：
（1） Ubuntu 14.04，可以直接在电脑安装双系统，也可以采用虚拟机的形式，虚拟机安装的Ubuntu需要至少8G的内存。VirtualBox虚拟机下安装Ubuntu 14.04的步骤如下：
http://blog.csdn.net/EAIBOT/article/details/53641027
Ubuntu中打开终端的方法：Alt+Ctrl+T
Virtual Box 虚拟机安装Ubuntu 14.02，如何上网？
Ubuntu 中的Vi的使用：
http://blog.csdn.net/w383117613/article/details/47611179
Ubuntu中安装g++：https://www.cnblogs.com/LQLin168/p/6844593.html
CMake的相关学习资料：https://github.com/TheErk/Cmake-tutorial
第三讲 三维空间中的刚体运动
刚体运动---欧式变换
旋转矩阵R，平移向量t，变换矩阵T
R=SO(3)
T=SE(3)
R和T的表述不够紧凑，具有冗余性，所以需要采用旋转向量来描述；
R和旋转向量不够直观，所以有欧拉角来表述；
R具有冗余性，旋转向量很紧凑但不直观，欧拉角直观紧凑，但是具有奇异行，所以诞生了采用四元数来表述一个旋转。
旋转矩阵，旋转向量，欧拉角，四元数都可以表示一个旋转，他们之间可以相互转化：
Pangolin的安装和使用：
http://blog.csdn.net/c602273091/article/details/65441315
http://blog.csdn.net/u012986684/article/details/52860849
Pangolin是对OpenGL进行封装的轻量级的OpenGL输入/输出和视频显示的库。可以用于3D视觉和3D导航的视觉图，可以输入各种类型的视频、并且可以保留视频和输入数据用于debug。
第四讲 李群和李代数
偏理论，第一遍没看懂
第五讲 相机与图像
相机模型一般使用针孔相机模型。
相机的内参K和外参R，t
世界坐标系，相机坐标系，相机归一化平面坐标系，图像坐标系
相机的畸变：主要是由于添加了透镜。径向畸变和切向畸变。去畸变方法。
单目相机的成像过程：
1. 世界坐标系下有一个固定的点P，世界坐标为Pw；
2. P的相机坐标为P=Pw*R+t
3. 把P投影到归一化平面Z=1上，得到P的归一化相机坐标：Pc
4. Pc经过内参后得到图像坐标系下的像素坐标，Puv=Pc*K
双目相机：试用与所有的场景，但是计算量和精度都是问题
RGB-D相机：使用场景比较限制，比如红外的RGB-D相机只能用于室内
拼接点云的过程：
1. 获取每个像素点对应的rgb和depth值
2. 已知相机的内参矩阵K和相机的位姿Twc(相机到世界坐标系下的变换)
3. 根据图像坐标系下的点Puv和内参K，求出相机坐标系下的点的坐标Pc
4. 通过Twc将Pc转换为世界坐标系下的点Pw
5. 将该点的rgb值渲染到Pw上就可以看到点云的效果。
第六讲 非线性优化
运动方程和观测方程其实可以建模成一个非线性的最小二乘问题。
求解方法有一阶梯度法和二阶梯度法，其中一阶梯度又称为最速下降法，二阶梯度法又称为牛顿法。这两种方法存在自身的问题，最速下降法过于贪心，容易走锯齿路，导致迭代次数多。而牛顿法需要计算目标函数的H矩阵，计算量大且困难。所以有两种更为实用的方法：
高斯牛顿法（GN）和列文伯格-马夸尔特方法（LM）。
GN方法：
LM方法：
实践：
Ceres库和g2o库。
编译g2o遇到问题：
解决方法：
http://blog.csdn.net/hitfangyu/article/details/72665455
第七讲 视觉里程计 1
视觉里程计VO是应用于视觉SLAM的前端。分为两种方式，基于特征点法的前端和直接法。其中前者是主流方法。
特征点：在视觉SLAM中又被称作路标，其中比较著名的是SIFT，SURF和ORB三种。ORB是质量和性能之间较好的折中，所以ORB在视觉SLAM中使用最为广泛。特征点由关键点和描述子两部分组成。关键点是位置，描述子是用于匹配的向量。
ORB特征：Oriented FAST BRIEF。关键点是FAST角点，描述子是BRIEF。
特征匹配：通过描述子进行匹配。暴力匹配方法，快速近似最近邻（FLANN）算法。后者应用比较广泛。
希望根据匹配的特征点来估计相机的运动，根据相机的配置情况有以下三种情况：
- 当相机为单目时，我们只知道2D的像素坐标，因而问题是根据两组2D点来估计运动，该问题用对极几何来解决；
- 当相机为双目、RGB-D时，或者我们通过某种方法得到距离信息，那么问题就是根据两组3D点来估计运动，该问题通常用ICP来解决；
- 如果我们有3D点和他们在相机的投影位置，也能估计相机运动，该问题通过PnP解决。
2D-2D：对极几何
对极约束公式：
其中E称为本质矩阵Essential Matrix，F称为基础矩阵Fundamental Matrix，x1和x2是归一化平面的点坐标，p1和p2是图像坐标系下的像素坐标。E和F差了一个相机内参矩阵K。相机位姿问题变为如下：
一般采用经典的8点法来计算E或者F。比如，求E的公式如下：
根据求出的E，来恢复相机的R和t的公式如下：
通常的做法如下：
单应矩阵：Homography Matrix H 它描述了两个平面之间的映射关系。若场景中的特征点都落到同一平面上（墙，地面），那么可以通过H来估计运动。
H的求法如下：
单应矩阵的作用：
未完待续。。。。。。