orb

CORBA： 具体的对CORBA的介绍安全客这篇文章 https://www.anquanke.com/post/id/199227 说的很详细，但是完全记住是不可能的，我觉得读完它要弄清以下几个点： 1.什么是CORBA？ CORBA全称（Common ObjectRequest Broker Architecture）也就是 公共对象请求代理体系结构 ，是OMG（对象管理组织）制定的一种标准的面向对象应用程序体系规范。其提出是为了解决不同应用程序间的通信，曾是分布式计算的主流技术。 2.CORBA能干什么？ 实现远程对象的调用 3.CORBA分为几部分？ naming service //个人感觉类似于RMI的注册表服务 client side servant side 4.CORBA的通信流程是怎样的？ 从大体上了解通信流程是怎样的，这里借用里面的图： 1.启动orbd作为naming service，会创建name service服务。 2.corba server向orbd发送请求获取name service，协商好通信格式 3.orbd返回保存的name service 4.corba server拿到name service后将具体的实现类绑定到name service上，这个时候orbd会拿到注册后的信息，这个信息就是IOR。 5.corba

1 具备的条件： （1）ubuntu 14.04 （2）ROS indigo（可选） 2 安装依赖 （1）Pangolin：https://github.com/stevenlovegrove/Pangolin 安装依赖： sudo apt-get install libglew-dev sudo apt-get install cmake sudo apt-get install libboost-dev libboost-thread-dev libboost-filesystem-dev sudo apt-get install libpython2.7-dev 安装Pangolin: git clone https://github.com/stevenlovegrove/Pangolin.git cd Pangolin mkdir build cd build cmake -DCPP11_NO_BOOSR=1 .. make -j （2）OpenCV：http://opencv.org/（我使用的是OpenCV 2.4.10） 安装步骤：参考：http://blog.csdn.net/csqingchen/article/details/43968925 （3）Eigen3：http://eigen.tuxfamily.org/ 直接在终端：sudo apt-get

　　这篇往后，会暂时先更ORB、SITF、SURF三篇特征算子，在代码部分，会在本篇介绍下OPENCV特征匹配的特征点KeyPoint、特征描述子和匹配算子Match等的构成。 一、背景： 　　目前特征匹配算子主要应用于目标追踪、图像匹配等多个方面，效果比较好的有SIFT、SURF、ORB等特征匹配算子，SURF由在SIFT上改进得到。目前暂更ORB、SIFT和SURF三种特征匹配算子。在此，先简要介绍下三种算子，ORB采用FAST进行特征点检测，相对于SIFT和SURF具有运行速度快的优点，OBR算法推出晚于SIFT和SURF算法，运行速度优于SIFT和SURF（网上可以搜到三者运行速度差距，在此不再展示），主要应用于实时图像匹配。SIFT和SURF具有更好的稳定性，SURF是SIFT的改进版本，运行速度和匹配效果均优于SIFT。(在此介绍SIFT,是希望读者了解其中的算法，SIFT在最初的特征匹配上，有比较好的效果。同时希望，读者如果有兴趣，可以继续改进SIFT，万一再研究出个SXXXX，发表论文、申请专利呢？？？hhhhh)。 二、ORB特征匹配原理： 　　 特征匹配的步骤一般可分为3步：1.检测特征点，2.计算特征点的描述子，3.根据特征点的描述子进行特征点匹配。 ORB特征点检测： 　　1.ORB在特征点检测部分，采用FAST算法进行特征点检测

整理如下： OpenCV 尺度不变特征检测：SIFT、SURF、BRISK、ORB SIFT算法详解 SIFT特征匹配算法介绍——寻找图像特征点的原理 SURF特征提取分析 BRISK特征提取算法 ORB特征提取与匹配 来源： CSDN 作者： Wake_up. 链接： https://blog.csdn.net/qq_40851561/article/details/104216181

ORBSLAM中的主要使用了ORB特征，也就是FAST特征+BRIEF描述子的组合，具体这两种方法就不详细介绍了，这里主要说一下每个特征对应的描述子在ORBSLAM中的维护方式； 首先需要说明的是每个frame都有自己对应的找到的feature，在进行特征提取前会先初始化一个Extractor，也就是： void Frame::ExtractORB(int flag, const cv::Mat &im) { if(flag==0) (*mpORBextractorLeft)(im,cv::Mat(),mvKeys,mDescriptors); else (*mpORBextractorRight)(im,cv::Mat(),mvKeysRight,mDescriptorsRight); } 第二步：初始化完成后就是提取，这里的入口函数是： // 计算ORB特征，_keypoints中的坐标与scale已经无关 /* _image: 原图 * mvImagePyramid：ComputePyramid() 的结果，不同大小的图片 * allKeypoints：对应mvImagePyramid中每一层图像的特征点，是与金字塔图像坐标对应的，就是在原图像的基础上经过缩放的 * _keypoints：对allKeypoints中每一个点找到对应的描述子后，再进行scale, *

单目相机具有成本低，设置简单的优点，但是同样存在尺度不确定、初始化需要足够视差，最终造成尺度漂移、无法处理纯旋转等问题。 ORB-SLAM2为SLAM的发展作出了以下几个贡献： 1.这是第一个同时提供单目，双目和RGB-D接口的SLAM开源系统，并且包含回环检测，重定位和地图重用。 2.通过BA对RBG-D进行优化，效果优于state-of-the-art的ICP或photometric and depth error minimization 3.通过使用近距离和远距离的双目点以及单目观测，使得其双目的精确度要高于state-of-the-art的直接使用双目的SLAM系统 4.通过禁用建图来实现利用已有地图，进行轻量级的定位。 ORB-SLAM2的框架和ORB-SLAM的框架几乎是一模一样的，包含了三个线程：Tracking，Local Mapping和Loop Closing。主要的区别还是在对于双目相机和RBG-D相机前端，是如何进行追踪并构建后端优化问题的。因此与ORB-SLAM相同的部分就不再赘述，详细可参考上一篇关于ORB-SLAM论文的博客。 A.Monocular, Close Stereo and Far Stereo Keypoints ORB-SLAM2是基于特征的SLAM系统，因此当从输入的图像中提取特征之后，图像不需要被保存而是直接丢弃，因此可以说ORB

在运行orbslam之前需要的准备工作： 1. 安装usb_cam 参考 摄像头标定 ，笔记本相机的标定(也可以不标定，使用程序中提供的相机参数，反正也不对地图有什么高要求。。。)，外接相机也可以，好像是把某个文件中的0改成1. 2. 安装orbslam2 在catkin_ws/src中下载orbslam2，网上有教程。 至于orbslam的安装网上也有很多的教程，首先要安装一些依赖库，github上也有说明，然后编译orbslam，注意去掉文件build.sh中make之后的-j，防止卡死。还有usleep问题，需要在某个文件(程序报错后你就知道了)中加入头文件 #include <unistd.h> ，这样应该没什么问题了，如果有自己取搜吧。 还有是要编译build_ros.sh，这个的话需要在.bashrc(位于/home/用户名)中加入 export ROS_PACKAGE_PATH = ${ROS_PACKAGE_PATH} :/home/用户名/catkin_ws/src/ORB_SLAM2/Examples/ROS 当时我找方法的时候找了很多，然后在/opt/ros/melodic中的setup.bash中也加了这句话，保险起见还是加上吧，上边的路径注意换自己 的用户名，然后就是环境设置，打开终端，运行 source /opt/ros/melodic/setup

git：https://github.com/linyi0604/Computer-Vision bf暴力匹配： 1 # coding:utf-8 2 3 import cv2 4 5 """ 6 orb特征检测和匹配 7 两幅图片分别是 乐队的logo 和包含该logo的专辑封面 8 利用orb进行检测后进行匹配两幅图片中的logo 9 10 """ 11 # 按照灰度图像的方式读入两幅图片 12 img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE) 13 img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE) 14 15 # 创建ORB特征检测器和描述符 16 orb = cv2.ORB_create() 17 # 对两幅图像检测特征和描述符 18 keypoint1, descriptor1 = orb.detectAndCompute(img1, None) 19 keypoint2, descriptor2 = orb.detectAndCompute(img2, None) 20 """ 21 keypoint 是一个包含若干点的列表 22 descriptor 对应每个点的描述符 是一个列表， 每一项都是检测到的特征的局部图像 23