一、Tracking::Tracking

1. 函数讲解，

这是Tracking中的构造函数，此函数的主要作用是为在初始化（初始化追踪线程）的时候使用，主要作用是：

1. 获取相机的内参
2. 初始化相机的内参矩阵
3. 初始化畸变系数
4. 初始化帧率
5. 输出相机参数（RGB相机还要输出颜色通道顺序）
6. 读取图像信息
7. 初始化特征特取器（双目则初始化左右目）
8. 输出图像信息

2. 函数源码

Tracking::Tracking(System *pSys, ORBVocabulary* pVoc, FrameDrawer *pFrameDrawer, MapDrawer *pMapDrawer, Map *pMap, KeyFrameDatabase* pKFDB, const string &strSettingPath, const int sensor):mState(NO_IMAGES_YET), mSensor(sensor), mbOnlyTracking(false), mbVO(false), mpORBVocabulary(pVoc),mpKeyFrameDB(pKFDB), mpInitializer(static_cast<Initializer*>(NULL)), mpSystem(pSys), mpViewer(NULL),mpFrameDrawer(pFrameDrawer), mpMapDrawer(pMapDrawer), mpMap(pMap), mnLastRelocFrameId(0)
{// Load camera parameters from settings file// 从设置文件中读取相机参数cv::FileStorage fSettings(strSettingPath, cv::FileStorage::READ);float fx = fSettings["Camera.fx"];float fy = fSettings["Camera.fy"];float cx = fSettings["Camera.cx"];float cy = fSettings["Camera.cy"];// 初始化相机内参矩阵 Kcv::Mat K = cv::Mat::eye(3,3,CV_32F); // 三行三列的矩阵 （row行，column列）K.at<float>(0,0) = fx;K.at<float>(1,1) = fy;K.at<float>(0,2) = cx;K.at<float>(1,2) = cy;//K = [ fx  0   cx]//    [ 0   fy  cy]//    [ 0   0   1 ]K.copyTo(mK); //将矩阵K复制到mK中// 初始化畸变系数cv::Mat DistCoef(4,1,CV_32F);DistCoef.at<float>(0) = fSettings["Camera.k1"];DistCoef.at<float>(1) = fSettings["Camera.k2"];DistCoef.at<float>(2) = fSettings["Camera.p1"];DistCoef.at<float>(3) = fSettings["Camera.p2"];const float k3 = fSettings["Camera.k3"];// 有的相机没有参数K3，如果有就重新分配空间，将k3加入DistCoef中if(k3!=0){DistCoef.resize(5);DistCoef.at<float>(4) = k3;}// 将DistCoef中的数据深度拷贝到mDistCoef中DistCoef.copyTo(mDistCoef);// bf是b*f（基线*焦距）mbf = fSettings["Camera.bf"];// 初始化帧率float fps = fSettings["Camera.fps"];if(fps==0)fps=30;// Max/Min Frames to insert keyframes and to check relocalisation// 两个关键帧最大最小帧数限制mMinFrames = 0;mMaxFrames = fps;// 输出相机参数cout << endl << "Camera Parameters: " << endl;cout << "- fx: " << fx << endl;cout << "- fy: " << fy << endl;cout << "- cx: " << cx << endl;cout << "- cy: " << cy << endl;cout << "- k1: " << DistCoef.at<float>(0) << endl;cout << "- k2: " << DistCoef.at<float>(1) << endl;if(DistCoef.rows==5)cout << "- k3: " << DistCoef.at<float>(4) << endl;cout << "- p1: " << DistCoef.at<float>(2) << endl;cout << "- p2: " << DistCoef.at<float>(3) << endl;cout << "- fps: " << fps << endl;// 读取输入图像的颜色通道顺序（ 1:RGB 0:BGR ）『R：红 G：绿 B：蓝』int nRGB = fSettings["Camera.RGB"];mbRGB = nRGB;// 输出一下使用的颜色通道排序if(mbRGB)cout << "- color order: RGB (ignored if grayscale)" << endl;elsecout << "- color order: BGR (ignored if grayscale)" << endl;// Load ORB parameters// 读取图像信息int nFeatures = fSettings["ORBextractor.nFeatures"];    // 特征点的个数float fScaleFactor = fSettings["ORBextractor.scaleFactor"]; // 金字塔图层之间的比例系数int nLevels = fSettings["ORBextractor.nLevels"];        // 金字塔层数int fIniThFAST = fSettings["ORBextractor.iniThFAST"];   // 角点提取的阈值int fMinThFAST = fSettings["ORBextractor.minThFAST"];   // 降低后的阈值// 创建并初始化（显示初始化）特征提取模块（左眼）mpORBextractorLeft = new ORBextractor(nFeatures,fScaleFactor,nLevels,fIniThFAST,fMinThFAST);if(sensor==System::STEREO)// 如果是双目，还要初始化右眼mpORBextractorRight = new ORBextractor(nFeatures,fScaleFactor,nLevels,fIniThFAST,fMinThFAST);if(sensor==System::MONOCULAR)// 如果是单目，提取双倍提取特征点mpIniORBextractor = new ORBextractor(2*nFeatures,fScaleFactor,nLevels,fIniThFAST,fMinThFAST);// 输出图像信息cout << endl  << "ORB Extractor Parameters: " << endl;cout << "- Number of Features: " << nFeatures << endl;cout << "- Scale Levels: " << nLevels << endl;cout << "- Scale Factor: " << fScaleFactor << endl;cout << "- Initial Fast Threshold: " << fIniThFAST << endl;cout << "- Minimum Fast Threshold: " << fMinThFAST << endl;if(sensor==System::STEREO || sensor==System::RGBD){mThDepth = mbf*(float)fSettings["ThDepth"]/fx;cout << endl << "Depth Threshold (Close/Far Points): " << mThDepth << endl;}if(sensor==System::RGBD){mDepthMapFactor = fSettings["DepthMapFactor"];if(fabs(mDepthMapFactor)<1e-5)mDepthMapFactor=1;elsemDepthMapFactor = 1.0f/mDepthMapFactor;}}

一、GrabImageStereo()

1. 函数讲解

这个函数System.cc中被调用，重要作用有：

1. 抓取左右目图像
2. 将抓取的图像转换为灰度图像
3. 初始化帧，因为这里往往被作为相机的初始帧
4. 调用Track();跟踪此帧（这个非常非常重要，是这个追踪线程的最主要部分，代码量和难度都很大）
5. 返回当前帧的世界坐标（当前帧相机的世界坐标）

2. 函数源码

cv::Mat Tracking::GrabImageStereo(const cv::Mat &imRectLeft, const cv::Mat &imRectRight, const double &timestamp)
{// 拷贝左右目图像mImGray = imRectLeft;cv::Mat imGrayRight = imRectRight;// 将RGB或RGBA图像转为灰度图像// 对于这个if，elseif表示不理解，感觉可以不用，或者合并if(mImGray.channels()==3){if(mbRGB){cvtColor(mImGray,mImGray,CV_RGB2GRAY);cvtColor(imGrayRight,imGrayRight,CV_RGB2GRAY);}else{cvtColor(mImGray,mImGray,CV_BGR2GRAY);cvtColor(imGrayRight,imGrayRight,CV_BGR2GRAY);}}else if(mImGray.channels()==4){if(mbRGB){cvtColor(mImGray,mImGray,CV_RGBA2GRAY);cvtColor(imGrayRight,imGrayRight,CV_RGBA2GRAY);}else{cvtColor(mImGray,mImGray,CV_BGRA2GRAY);cvtColor(imGrayRight,imGrayRight,CV_BGRA2GRAY);}}// 显示初始化双目的构造函数mCurrentFrame = Frame(mImGray,imGrayRight,timestamp,mpORBextractorLeft,mpORBextractorRight,mpORBVocabulary,mK,mDistCoef,mbf,mThDepth);// 跟踪（调用Tracking::Track()）Track();// 返回当前帧的世界坐标return mCurrentFrame.mTcw.clone();
}

三、 学习方法（路线）

在前面的特征提取ORBextractor.cc和帧Frame.cc的学习中，作者是一次性将整个文件学完，但是在学习MapPoint.cc等文件时，发现他们并不具备完整性，很锁碎，函数之间几乎很少有关联。所以在后续的学习中开始改变学习方法，从三个主要线程入手，碰到一个函数就进入一个函数学习，果然提高了学习效率也不再感到学了又望（因为层次明显，学完会回到上一层）。而且这样做还有一个当时未曾想到的好处，就是学完这个文件（ORB-SLAM2）后翻看所有的.cc文件，看哪些函数没有被标注过（本人看过的代码都会进行标注），就可以查缺补漏。

四、总结

这两个函数在追踪线程中有着极为重要的作用，Tracking::Tracking在初始化追踪线程时用到，GrabImageStereo() 中调用的Track();是追踪线程的主体，后续会详细讲解追踪线程中的其他函数。如果有什么问题或者建议，欢迎大家交流。