二、子函数分析

1. 首先是运动模型：

   //设置匹配器；
   ORBmatcher matcher(0.9,true);
   //更新上一帧信息，对单目只更新了相机位姿；
   UpdateLastFrame();
   //更新当前帧的位姿：速度乘以上一帧的位姿；
   mCurrentFrame.SetPose(mVelocity*mLastFrame.mTcw);
   fill(mCurrentFrame.mvpMapPoints.begin(),mCurrentFrame.mvpMapPoints.end(),static_cast(NULL));

   // Project points seen in previous frame
   int th;
   if(mSensor!=System::STEREO)
   th=;
   else
   th=;
   int nmatches = matcher.SearchByProjection(mCurrentFrame,mLastFrame,th,mSensor==System::MONOCULAR);

   //如果匹配数小于20，则扩大搜索范围；
   if(nmatches<) { fill(mCurrentFrame.mvpMapPoints.begin(),mCurrentFrame.mvpMapPoints.end(),static_cast(NULL));
   nmatches = matcher.SearchByProjection(mCurrentFrame,mLastFrame,*th,mSensor==System::MONOCULAR);
   }

   //如果还是匹配数小于20，则判定运动模型跟踪失败；
   if(nmatches<)
   return false;

   //如果匹配数大于20了，就优化相机位姿；
   // Optimize frame pose with all matches
   Optimizer::PoseOptimization(&mCurrentFrame);

   后面就是根据不同情况对跟踪结果进行返回，还有当前帧特征中的地图点的判定等。

2. 参考帧模型：

   //计算当前帧的Bow向量
   mCurrentFrame.ComputeBoW();
   //设定匹配器；
   ORBmatcher matcher(0.7,true);
   vector vpMapPointMatches;

   //统计当前帧和参考关键帧之间匹配点数，使用BoW加速匹配过程；
   int nmatches = matcher.SearchByBoW(mpReferenceKF,mCurrentFrame,vpMapPointMatches);
   //这里将上一帧的位姿赋给了当前帧
   mCurrentFrame.SetPose(mLastFrame.mTcw);

   //优化当前位姿；
     Optimizer::PoseOptimization(&mCurrentFrame);

   后面的过程跟运动模型类似。但是这里直接将上一帧位姿作为初值进行优化，并没有使用PnP求解，保留疑问。

3. 重定位：

   //计算BoW向量；
   mCurrentFrame.ComputeBoW();
   //在关键帧数据库中搜索当前帧的候选关键帧；
   vector vpCandidateKFs = mpKeyFrameDB->DetectRelocalizationCandidates(&mCurrentFrame);
   if(vpCandidateKFs.empty())
   return false;
   const int nKFs = vpCandidateKFs.size();
   //设置匹配器；
   ORBmatcher matcher(0.75,true);

   vector<PnPsolver\*> vpPnPsolvers;  
   vpPnPsolvers.resize(nKFs);
   
   vector<vector<MapPoint\*> > vvpMapPointMatches;  
   vvpMapPointMatches.resize(nKFs);
   
   vector<bool> vbDiscarded;  
   vbDiscarded.resize(nKFs);
   
   int nCandidates=;
   
   //对每一个关键帧进行PnP求解；  
   //首先进行BoW匹配，匹配达到15个点的就进行进一步求解，并作为候选关键帧；  
   for(int i=; i<nKFs; i++)  
   {  
       KeyFrame\* pKF = vpCandidateKFs\[i\];  
       if(pKF->isBad())  
           vbDiscarded\[i\] = true;  
       else  
       {  
           int nmatches = matcher.SearchByBoW(pKF,mCurrentFrame,vvpMapPointMatches\[i\]);  
           if(nmatches<)  
           {  
               vbDiscarded\[i\] = true;  
               continue;  
           }  
           else  
           {  
               PnPsolver\* pSolver = new PnPsolver(mCurrentFrame,vvpMapPointMatches\[i\]);  
               pSolver->SetRansacParameters(0.99,,,,0.5,5.991);  
               vpPnPsolvers\[i\] = pSolver;  
               nCandidates++;  
           }  
       }  
   }  
   //再后面一个大循环是上面的匹配结果进行优化求精，进行RANSAC迭代，如果有足够多的内点则跳出循环并返回

   重定位的过程至少在逻辑上是很好理解的，就是在已经生成的关键帧数据库中搜索看看当前帧和谁最相近，而方法就是先用BoW匹配，然后进行PnP求解，最后使用RANSAC迭代。

4. 还有一个重要的函数，就是局部地图跟踪：

   //更新局部地图，包括关键帧和地图点的更新；
   //它的主要作用就是通过关键帧和地图点的共视关系更新这两个变量：mvpLocalKeyFrames，mvpLocalMapPoints，它们中存储着局部地图中的关键帧和地图点；
   UpdateLocalMap();
   //这个函数就是搜索一下mvpLocalMapPoints中的点是否符合跟踪要求，并匹配当前帧和局部地图点；
   SearchLocalPoints();
   //然后就是优化位姿，需要注意的是，无论是匹配过程还是优化过程都会对地图点做一些修改
   Optimizer::PoseOptimization(&mCurrentFrame);
   //后面就是根据匹配和优化结果更新地图点的状态，并判断匹配的内点数量，最后返回

   实际上局部地图匹配的过程要比上面几行代码复杂的多，基本思想就是通过共视关系找出局部地图的关键帧和局部地图点，并用当前帧与之进行匹配优化。

5. 还有一些子函数，如判断是否插入关键帧，跟踪的重置，初始化过程，以及只进行跟踪不建图的跟踪过程等，以后有机会再说吧。

三、总结

　　通过梳理跟踪过程的代码，对ORB-SLAM的跟踪过程的算法和代码都有了更深入的理解，也体会到了写一个类似工程的知识量和工作量。

从前面的分析知道跟踪过程的时间消耗主要在局部地图的跟踪过程，提高效率的方法之一应该就是相应的减小局部地图的大小，具体来说就是mvpLocalKeyFrames，mvpLocalMapPoints这两个变量的大小，现在还没遇到这个问题，所以没有做相应实验。