接着LSD SLAM的代码整理，现在把ORB SLAM的代码也梳理一遍。ORB SLAM是基于特征点法的SLAM的一个代表性的工作，并且有个可读性很强的开源代码[1]，感兴趣的人可以下载下来跑一跑。
ORB SLAM主要分成四个部分，tracking、mapping、relocalization和Loop closure。它的系统框图很好的反映了这点。先放上系统框图。
如上图所示，tracking部分主要实现的是：
1、提取ORB 特征（提取ORB keypoints和ORB descriptor）
2、初始化
3、获得初始的Pose
4、在Track Local Map中优化Pose
5、判断当前帧是否被选为Keyframe
在代码中，总的tracking的实现部分都在void Tracking::Track()这个成员函数中。
1、ORB feature
ORB feature是根据fast角点和brieaf 描述子改进而来，它具有旋转不变性和尺度不变性。
旋转不变性：因为提取角点的时候会计算角点周围一个patch的质心，ORB特征会将角点到质心这个矢量作为ORB特征的方向，所有会有旋转不变性。
尺度不变性：通过在不同分辨率（图像金字塔）上抽取ORB特征，获得尺度不变性。
2、初始化
在单目SLAM中，初始化的函数为：MonocularInitialization()
（1）当前帧的特征点超过100，初始化才可以成功，否则不停初始化。
（2）给初始化成功的帧一个初始的Pose
（3）调用CreateInitialMapMonocular()来产生初始的map点
3、获得初始的pose
初始化成功之后就开始正常的tracking过程了，每当新来一帧的时候，会给新来帧一个初始的pose。
（1）恒速模型（TrackWithMotionModel()）
使用恒速模型的假设是摄像头运动是匀速运动的，利用匀速运动之后的pose来初始化当前帧。
（2）使用参考帧（TrackReferenceKeyFrame()）
如果恒速模型失效，就开始尝试和相邻的关键帧来进行匹配，并且可以使用BOW来加速匹配，首先计算当前帧的BOW，并设定初始位姿为上一帧的位姿，然后根据位姿和BOW词典来寻找特征匹配，进一步优化位姿。代码实现如下：
（3）如果找不到匹配的帧，说明跟踪丢了，需要利用relocalization到全局的地图中查找匹配帧，计算位姿（solvePnP实现）。
4、在Track Local Map中优化Pose
tracking成功后接下来就开始调用TrackLocalMap()函数来优化位姿了。
如上图所示，其中mbOnlyTracking是个bool型变量，默认为false
false：正常跟踪，选择关键帧，调用TrackLocalMap优化。
true：可以根据运行界面去选取，不插入关键帧，局部地图不工作。
TrackLocalMap()包括下面几个函数：
UpdateLocalMap()：更新局部地图中的keyframes和Local Points
searchLocalPoints()：获得局部地图与当前帧的匹配
PoseOptimization()：最小化重投影误差来优化位姿
5、判断当前帧是否被选为Keyframe
在Local Map 被track成功之后，我们需要开始判断当前帧是否应该被选择为Keyframe。主要有两个函数：
（1）NeedNewKeyFrame()：判断当前是否需要加入关键帧
如上图所示，首先有三个条件来筛选是否需要插入新的关键帧了。
a、mbOnlyTracking标志位为true时，不更新关键帧
b、进行Loop Closure时，Local Mapping被冻结了，不更新关键帧
c、从上一个relocalization之后没有经过足够的帧的时候，不更新关键帧
通过了上面三个条件的筛选之后，再利用下面的条件来判断是否需要更新关键帧：
可满足的条件是：
条件c1a：距上一次插入keyframe很长时间了（frame已经超过了mMaxFrames这个阈值了）；
条件c1b：距上一次插入keyframe超过一个mMinframes的阈值，并且LocalMapping线程是空闲的；
条件c1c：传感器不是monocular并且跟踪快要跪掉了；
必须满足的条件是：
条件c2：跟踪地图Mappoints的比例比较少。
（2）CreateNewKeyFrame()：创建一个新的关键帧
参考文献：
[1] https://github.com/raulmur/ORB_SLAM2
[2] 【泡泡机器人公开课】第三十六课：ORB-SLAM2源码详解 by 吴博
[3] Mur-Artal, Raul, Jose Maria Martinez Montiel, and Juan D. Tardos. “ORB-SLAM: a versatile and accurate monocular SLAM system.” IEEE Transactions on Robotics 31.5 (2015): 1147-1163.
[4] Mur-Artal, Raul, and Juan D. Tardós. “Orb-slam2: An open-source slam system for monocular, stereo, and rgb-d cameras.” IEEE Transactions on Robotics 33.5 (2017): 1255-1262.