1.ORB-SLAM2 的编译运行（ubuntu20.04）以及ROS1安装
2.ORB特征提取与匹配
3.（四十三）特征点检测-LBP
4.ORBSLAM3--学习总结（5）将ORB-SLAM3及相关依赖打包成Docker镜像
ORB-SLAM2 的编译运行（ubuntu20.04）以及ROS1安装
在 Ubuntu . 环境中，编译并运行 ORB-SLAM2 需要一系列的准备工作和库的安装。首先，确保已安装了所需的依赖项，然后按照指定链接从 GitHub 下载并安装 Pangolin-0.6 稳定版。
接着，燕窝硕源码进行 OpenCV-3.4.5 的安装，包括下载、配置编译环境和查询版本信息以验证安装是否成功。对于 Eigen3，建议源码安装默认的 Eigen 版本（3.3.9），并将其头文件复制到相应目录以确保正常工作。若需要使用特定版本（如3.3.7），需手动安装并调整位置。
在编译 ORB-SLAM2 时，需处理常见的报错，例如在 `System.h` 中添加 `#include` 以解决 `usleep` 报错，并根据特定链接调整 `LoopClosing.h` 文件中的代码以解决第二个报错。第三个报错需删除 `CMakeCache.txt` 文件并重新执行 `cmake ..` 和 `make` 命令。
成功编译后，需在特定目录下运行 ORB-SLAM2，运动平台源码确保使用正确的终端打开以找到可执行文件。此外，安装 ROS1 可以通过一键安装工具完成，注意管理日志目录的大小以避免警告。在安装完成后，启动 ROS Master、小海龟仿真器和海龟控制节点，以验证 ROS1 是否已成功安装。
安装过程中可能遇到的问题包括 ROS 目录的位置和库查找问题，以及如何在编译 ORB-SLAM2 时指定依赖目录。通过将 ROS 目录添加到环境变量（如 `PYTHONPATH` 或 `LD_LIBRARY_PATH`）中，可以解决这些问题并确保库的正确查找。
ORB特征提取与匹配
本文主要回顾了ORB特征提取的过程，并解决了个人对这一主题的疑惑，但未深入探讨OpenCV源码，原因在于个人懒于解析。文章参考了高翔的《视觉SLAM十四讲》和相关opencv实现，欢迎读者指正错误。
好的特征点在于其显著性和匹配的准确性。角点特征，monogdb源码分析如E和F，因其特征明显，是理想的匹配对象。ORB算法采用OFAST快速提取这些特征点，下面将介绍OFAST和Oriented FAST的原理。
OFAST角点检测基于亮度变化，例如，如果圆周上的连续个点亮度超过或低于特定阈值，像素可能被识别为特征点。Oriented FAST在此基础上增加方向信息，以保持旋转不变性。
图像金字塔通过高斯模糊和降采样处理，解决了尺度不变性问题，确保不同尺度下的角点特征能准确匹配。接下来是BRIEF描述子，ORB算法使用的改进BRIEF描述特征，通过二进制编码存储角点邻域信息，以便判断匹配性。
特征方向与BRIEF描述子的结合，保证了旋转不变性。涨停的源码尽管旋转后BRIEF描述子会发生变化，但根据角点方向调整pattern，可以恢复旋转前的状态。
总的来说，ORB特征提取包括角点检测、方向信息添加、尺度不变性处理以及BRIEF描述子编码，这些步骤共同确保了特征点的稳定性和匹配效率。通过《视觉SLAM十四讲》的实例，我们可以理解并应用这些技术。
（四十三）特征点检测-LBP
时间为友，记录点滴。
特征点检测领域并非只有一种算法，大神们总能带来新颖的想法。虽然不可能掌握所有算法，但有些思路是值得借鉴的。
比如SIFT就是一个宝库，总能给我们带来启发。
既然已经了解了Harris、SIFT、建狼源码FAST等特征检测算法，以及特征点的定义和评判标准，那么我们就来探讨LBP如何在特征检测领域脱颖而出。
思考一下特征点的优良性质：
什么是LBP？
LBP（Local Binary Pattern，局部二值模式）是一种描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著优点。由T. Ojala、M. Pietikäinen和D. Harwood在年提出，用于纹理特征提取。它提取的是图像的局部纹理特征；
它是如何实现的？
首先谈谈原始LBP算子：
通过比较3*3邻域内的8个点，可以得到8位二进制数（通常转换为十进制数即LBP码，共种，即2 Byte），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。
虽然简单，但略显简陋（是不是与FAST算子有些类似）。这个LBP算子显然不能表示优良特征点，还好它出现的早（），所以后人对LBP做了很多优化，使其满足尺度不变、旋转不变、光照不变。
尺度不变：
无论是SIFT还是ORB，要做到尺度不变，我们通常采用金字塔扩展到多尺度空间，但LBP有它独特的方法。
在原始的LBP中，我们选择的是以目标点为中心，3x3的8邻域，经历过FAST的我们很容易想到半径的概念。那么3x3代表的就是以目标点为圆心，半径为1的邻域，如果我们把半径扩展一下会怎么样呢？
Ojala等人对LBP算子进行了改进，将3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的LBP算子允许在半径为R的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子；
这种情况下，对应黑点像素可能不是整数，要得到该点准确的像素值，必须对该点进行插值计算才能得到该点像素值，常见的插值方式为双线性插值或者立方插值。
这种思路有点像“山不转，水转；水不转，人转”；
旋转不变性：
Maenpaa等人又将LBP算子进行了扩展，提出了具有旋转不变性的LBP算子，即不断旋转圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的LBP值。
举一个具体的例子：下图所示的8种LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的LBP值为。也就是说，图中的8种LBP模式对应的旋转不变的LBP模式都是。
光照不变：
从LBP的差值计算可以看出，LBP本身就具有光照不变的特性（灰度值按比例缩放，强者恒强），但是我们可以引入权重概念，计算LBP码和对比度。
好了，LBP就这么多。是不是感觉SIFT/ORB后什么都简单了些？
在网上搜了个Python实现的LBP，实验了下，贴在这里：
Python
惯例，OpenCV早就给我们提供了LBP的算子，而且可以结合FaceDetect来用，
C++
1、lbpcascade_frontalface_improved文件我使用的是我们自己编译出来的，在Binfile\install\etc\lbpcascades目录下（你可以用everything搜索一下，OpenCV源码中也有提供） 2、今天我们首次使用了CascadeClassifier，这个我觉得有必要在后面详细解释一下。用OpenCV做人脸检测简直简单得不要不要的。
ORBSLAM3--学习总结（5）将ORB-SLAM3及相关依赖打包成Docker镜像
为了便于在不同环境中部署和使用ORB-SLAM3，我尝试将ORBSLAM3及其依赖打包成Docker镜像。以下是构建过程的简要记录，可能存在技术上的不足，期待您的指正。1. 准备Docker环境
首先，确保你的系统已经安装了Docker。如果镜像下载速度慢，可以考虑添加国内和国外的镜像加速器，重启Docker服务以应用更改。2. Dockerfile创建镜像
使用Dockerfile构建镜像时，我开始了一个基础示例，但实际操作时，可能需要根据具体环境调整。例如，基础镜像FROM ubuntu:.，可以通过添加加速器解决下载问题。3. 构建镜像与测试
在Dockerfile中，定义镜像名称和标签（如orbslam3:latest），然后在容器中定位到ORBSLAM3源代码，并进行功能测试。3. 直接容器启动方式
除了Dockerfile，也可以通过拉取基础镜像创建容器，然后在容器中安装所需依赖，如cmake、ros等。在Ubuntu容器中，通过apt包管理器安装，例如opencv和Eigen，最后将ORBSLAM3源码添加到容器内。4. 镜像制作与发布
所有依赖安装完毕后，使用docker commit命令将容器转化为镜像。镜像可以通过DockerHub发布，需要先注册账号，然后登录并使用docker push命令将镜像上传到公共仓库，以便他人下载使用。以上步骤记录了将ORBSLAM3打包成Docker镜像的基本流程，如有问题或优化建议，欢迎分享。