应该是思维导图的形式使用markmap实现，可以使用md文档在VSCode中添加插件预览，预览图如绑定的那个资源的样式。

效果大概是长这个样子
> 但是CSDN不好用，一堆乱码。这里建议从这个链接中复制下载md文件，使用VSCode的markmap插件查看，或者直接把md的内容复制到markmap网站也能查看。

---

markmap:
colorFreezeLevel: 50
initialExpandLevel: 10
maxWidth: 600

VSLAM

传感器输入

相机

相机模型

针孔模型

内参模型

• 相机内参$K$:$\left(\begin{array}{ccc}{f}_x& 0& c_x\\ 0& f_y& c_y\\ 0& 0& 1\end{array}\right)$
• 归一化坐标:${\left[\begin{array}{ccc}X/Z& Y/Z& 1\end{array}\right]}^T$
• 像素坐标:$\left(\begin{array}{c}u\\ v\\ 1\end{array}\right)=\frac{1}{Z}\left(\begin{array}{ccc}{f}_x& 0& c_x\\ 0& f_y& c_y\\ 0& 0& 1\end{array}\right)\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\frac{1}{Z}KP$

畸变模型

• 径向畸变:$\begin{array}{c}{x}_{distorted}=x(1+k_1{r}^2+k_2{r}^4+k_3{r}^6)\\ y_{distorted}=y(1+k_1{r}^2+k_2{r}^4+k_3{r}^6)\end{array}$
• 切向畸变:$\begin{array}{c}{x}_{distorted}=x+2p_{1}xy+p_2(r^2+2x^2)\\ y_{distorted}=y+p_1(r^2+2y^2)+2p_{2}xy\end{array}$
• 畸变后的归一化坐标:$\begin{array}{c}{x}_{distorted}=x(1+k_1{r}^2+k_2{r}^4+k_3{r}^6)+2p_{1}xy+p_2(r^2+2x^2)\\ y_{distorted}=y(1+k_1{r}^2+k_2{r}^4+k_3{r}^6)+p_1(r^2+2y^2)+2p_{2}xy\end{array}$
• 畸变后的像素坐标:$\begin{array}{c}u=f_x{x}_{distorted}+c_x\\ v=f_y{y}_{distorted}+c_y\end{array}$

相机类型

单目RGB

双目RGB

双目相机模型

• 相似三角形关系:$\frac{z-f}{z} = \frac{b-u_L+u_R}{b} $,其中$b$是双目相机的基线，两个水平放置的相机光圈在x轴上的距离。
• 深度值$z=\frac{fb}{d}$，视差$d\stackrel{def}{=}{u}_L-u_R$，$b$是基线

深度图像RGB-D

IMU

IMU参数

积分方法

预积分

中值积分

外参标定

前端里程计 Visual Odometry

图像预处理

特征提取

• 外观相似的特征应该具有相似的描述子

ORB特征 Oriented FAST

• FAST角点 3像素半径灰度值变化明显的点
• 尺度不变性:使用图像金字塔放缩关系处理尺度不变性
• 旋转不变性:通过灰度质心和几何中心确定特征点的方向
• BRIEF描述子
• 使用FAST关键点的方向计算Steer BRIEF获得ORB描述子的旋转不变性

SIFT特征 Scale-Invariant Featrue Transform尺度不变特征变化

• 先进行非极大抑制，再去除低对比度的点，再通过Hessian矩阵去除边缘响应过大的点。
• 利用不同尺寸的图像与高斯差分滤波器卷积
• 在正方形区域内统计梯度幅值的直方图，直方图最大值对应主方向，可以有多个主方向
• 描述子：128维度:$4\ast 4\ast 8$
• 旋转、尺度、亮度不变性，对视角、仿射变换、噪声保持稳定性

SURF特征

• 先利用Hessian矩阵确定候选点，然后进行非极大抑制
• 利用原图片与不同尺寸的方框滤波器(box filter)卷积。
• 在圆形区域内计算各个扇形范围内x、y方向的haar小波响应，模最大的扇形方向作为主方向
• 描述子：64维度:$4\ast 4\ast 4$

特征匹配

基于描述子

暴力匹配 Brute-Force Matcher

快速近似最近邻匹配 GLANN

基于光流

稀疏光流

Lucas-Kanade 光流

• 灰度不变假设
• 假设图像块中的像素具有相同的运动
• 多层光流，以获得比较好的初始运动估计

稠密光流

计算当前相机位姿

• 2D-2D、2D-3D、3D-3D都有个前提: 已知匹配关系

2D-2D 对极几何

本质矩阵E和基础矩阵F

• 约束关系: x 2 T E x 1 = p 2 T F p 1 x_2^TEx_1 = p_2^TFp_1 <