ORB-SLAM2代码阅读

 首先判断传感器类型是单目、双目还是RGB-D。
    2. 然后通过cv::FileStorage fsSetting()传入配置文件路径的读取配置文件，并由isOpened()判断文件是否存在。
    3. 若存在，则通过ORBVocabulary()加载ORB字典到mpVocabulary变量，然后通过loadFromTextFile()判断加载是否成功。
    4. 接着创建地图Map()，创建视图FrameDrawer()用来显示创建的地图，创建画图器MapDrawer()。
    5. 初始化三个线程Tracking()、LocalMapping()、LoopClosing()。并通过thread()开启local mapping和loop closing线程。同时初始化显示线程Viewer()并启动该线程。 
    6. 最后通过setLocalMapper()等方法设置线程之间的指针。

 LoadImages()加载图像——判断rgb图是否存在——判断rgb图与depth图数量是否对应相同。
    2. ORB_SLAM2::System SLAM()初始化，创建SLAM系统，并初始化各个线程。
    3. 遍历每一对RGB图和depth图【读取RGB图和depth图，读取时间戳（vTimestamps存储了时间戳，实际上就是存储了数据文件的每一幅图像的采集时间）——判断文件是否读取成功——SLAM.TrackRGB()将图片转给system处理，在这里从主线程进入tracking线程——计算track一帧的时间——计算两幅图像的采集时间之差，即采集一帧图像的时间——比较追踪时间和采集时间，通过休眠保持同步运行】
    4. 关闭系统对象——计算追踪总时间以及时间中位数和平均数——SaveTrajectoryTUM()保存相机轨迹和SaveKeyFrameTrajectoryTUM()关键帧轨迹

 判断tracking状态：如果是NOT_INITIALIZED则针对于单目和非单目分别执行MonocularInitialization()、StereoInitialization()初始化，并更新地图视图。
    
    2. 对于初始化成功的，接下来进行跟踪ORB-SLAM中关于跟踪状态有两种选择 （1）只进行跟踪不建图                                                            （2）同时跟踪和建图，这里以（2）为例。初始化之后ORB-SLAM有三种跟踪模型可供选择。
     - TrackWithMotionModel(); 运动模型：根据运动模型估计当前帧位姿——根据匀速运动模型对上一帧的地图点进行跟踪——优化位姿。
     - TrackReferenceKeyFrame(); 关键帧模型：BoW搜索当前帧与参考帧的匹配点——将上一帧的位姿作为当前帧的初始值——通过优化3D-2D的重投影误差来获得位姿。
     - Relocalization()；重定位模型：计算当前帧的BoW——检测满足重定位条件的候选帧——通过BoW搜索当前帧与候选帧的匹配点——大于15个点就进行PnP位姿估计——优化。
     - 首先假设相机恒速（即Rt和上一帧相同），然后计算匹配点数（如果匹配足够多则认为跟踪成功），如果匹配点数目较少，说明恒速模型失效，则选择参考帧模型（即特征匹配，PnP求解），如果参考帧模型同样不能进行跟踪，说明两帧键没有相关性，这时需要进行重定位，即和已经产生的关键帧中进行匹配（看看是否到了之前已经到过的地方）确定相机位姿，如果重定位仍然不能成功，则说明跟踪彻底丢失，要么等待相机回转，要不进行重置；
    
    
    3. 假如通过一种模型完成了初始相机的位姿估计，则进一步跟踪局部地图TrackLocalMap()，即和当前帧相关联的地图点做联合优化，获得一个较为准确的相机位姿；
    
    4. 创建关键帧/剔除外点/当前帧置为上一帧等

 超过MaxFrame帧必须通过全局重定位。（确保良好的定位）
    2. 局部建图闲置，超过MinFrame帧必须通过关键帧插入。（确保及时处理）
    3. 至少追踪当前帧的点是参考帧点的一定比例。（确保良好的追踪）
    4. 当前帧追踪比参考帧90%的点少。（确保最小视觉变化）
    5. 追踪到的close点的满足一定的条件

 SetAcceptKeyFrames(false)通知Tracking线程，LocalMapping处于忙碌状态，Tracking的关键帧发送不要太快
    2. CheckNewKeyFrames()检查是否生成关键帧，及关键帧列表不为空——ProcessNewFrame()处理关键帧：计算BoW并插入到地图——MapPointCulling()上一步骤产生的不合格地图点，剔除地图点——CreateNewPoints()三角化创建新的地图点——CheckNewKeyFrames()判断关键帧队列处理完毕，则SearchInNeighbors()检查并融合当前关键帧与两级相邻帧间重复的地图点——已经处理完关键帧队列中的关键帧并且闭环检测没有要求停止LocalMapping，则进行局部BA优化——KeyFrameCulling()剔除冗余关键帧——InsertKeyFrame()插入关键帧到闭环检测队列

 首先从缓冲队列中取出一帧关键帧，设为当前关键帧，然后将栈顶的关键帧出栈
    2. 计算该关键帧特征点的Bow映射关系
    3. 跟踪局部地图过程中新匹配上的MapPoints和当前关键帧绑定
    4. 遍历地图点，将当前关键帧生成的地图点添加到mlpRecentAddedMapPoints中，等待后续检查。而不是当前关键帧生成的地图点，更新该点的属性，将其设置为当前关键帧观察到的地图点，计算最佳的描述子，并获得该点的平均观测方向和观测距离范围。
    5. 更新关键帧间的连接关系，Covisibility图和Essential图
    6. 将该关键帧插入到地图中。

 直接剔除坏点
    2. 跟踪到该点的帧数比预计可以观测到该点的帧数的比例小于0.25，则剔除该点
    3. 从该点建立开始，到现在已经过了2个关键帧以上，但是观测到该点的关键帧数小于cnThObs(单目是2，非单目是3)，则剔除该点
    4. 从建立该点开始，已经过了3个关键帧而没有被剔除，则认为是质量高的点，因此没有SetBadFlag()，仅从队列中删除，放弃继续对该MapPoint的检测

 首先获得与当前关键帧具有最高共视程度的nn个关键帧，即是当前关键帧的一级相连帧，然后遍历一级相连帧，对每一个关键帧再获得与之具有最高共视程度的5个关键帧，即相当于当前关键帧的二级相连帧。
    2. 将当前帧的MapPoints分别与一级二级相邻帧(的MapPoints)进行融合。
    3. 将一级二级相邻帧的MapPoints分别与当前帧（的MapPoints）进行融合。
    4. 更新当前帧MapPoints的描述子，深度，观测主方向等属性。
    5. 更新当前帧的MapPoints后，更新covisibility图中当前关键帧与其它帧的连接关系。

 根据Covisibility Graph提取当前帧的共视关键帧。
    2. 遍历该共视关键帧的MapPoints：判断该MapPoint是否同时被三个关键帧观测到，并且满足尺度约束条件
    3. 统计以上满足条件的MapPoints
    4. 判断以上统计的地图点数量是否大于有效地图点的90%。（有效地图点：不是坏点，且对于双目和深度相机，深度值满足一定条件）
    5. 剔除上一条件不满足的共视关键帧。

 首先从闭环关键帧缓冲队列中取出一帧关键帧，设为当前关键帧，然后将栈顶的关键帧出栈
    2. 判断距离上一次闭环检测是否超过10帧，不超过则不进行闭环检测，超过检测
    3. 计算当前帧与相连关键帧的BoW最低得分minScore
    4. 检测达到闭环候选帧DetectLoopCandidates()
    
    1. 获得与当前帧有共视关系的但并不相连的关键帧
    2. 获得当前关键帧与上述关键帧的最高单词数maxCommonWords
    3. 阈值minCommonWords=0.8*maxCommonWords
    4. 删选出大于阈值minCommonWords且评分得分大于minScore的关键帧
    5. 将上述筛选后的相连的关键帧分为一组，不相连的剔除（单独得分很高的无关匹配关键帧）
    6. 计算每一组最高得分bestAccScore
    7. 阈值minScoreToRetain=0.75*bestAccScore
    8. 大于阈值的为最后的候选关键帧vpLoopCandidates
    5. 三个for循环检测候选关键帧的连续性
    
    1. 首先遍历候选关键帧——vpCandidateKFs
    2. 然后遍历当前帧及其相连帧（连续组）——mvCconsistentGroups
    3. 最后遍历候选关键帧及其相连帧（候选组）——spCandidateeGroup
    
    最后筛选出的闭环关键帧应该满足：候选关键帧能在三个连续组中同时被选作候选关键帧。

 SearchByBow() 对每一个闭环帧，通过BoW的matcher方法进行第一次匹配，匹配闭环帧和当前关键帧之间的匹配关系，如果对应关系少于20个，则丢弃，否则构造一个Sim3求解器并保存起来。这一步主要是对效果较好的闭环帧构建Sim3求解器 
    2. 对上一步得到的每一个满足条件的闭环帧，通过RANSAC迭代，求解Sim3。
    3. SearchBySim3()利用Sim3再去进行匹配点的查找，本次查找的匹配点数量，会在原来的基础上有所增加。
    
    1. 当前帧的地图点投影到闭环帧上，得到更多的匹配点
    2. 闭环帧的地图点投影到当前帧上，得到更多的匹配点
    4.  OptimizeSim3()在得到了第二次匹配的结果以后，要通过这些匹配点，再去优化Sim3的值，从而再精细化Rt和s
    5. SearchByProjection()将闭环帧以及与其链接的关键帧所看到的所有的MapPoint都恢复出来。通过这个方法，可以尽可能得到我们当前关键帧所能看到的所有的地图点，为下一步做投影匹配，得到更多的匹配点做准备。 
    6. 使用投影得到更多的匹配点，如果匹配点数量充足，则接受该闭环。