首先寫ORB中的概念
一、前端提取
包括像素點選取和匹配兩部分：
1.像素點選取：主要是ORB特徵，看看這篇文章就夠了：https://blog.csdn.net/maweifei/article/details/62887831 ORB主要有兩個概念，角點，還有就是Moment，Moment類似於重心的概念用來表示特徵點的方向，在旋轉能快速Match。另外特徵點確定好後用BREAF確定來描述，BREAF在特徵點周圍使用兩維高斯分佈乘以圖像像素值。實際就是BREAF和Moment來綜合描述。 像素點選取好後，一般通過跟蹤的方法加速圖像間特徵點選取。 ORB特徵匹配，主要是像素點相似性的計算。ORB特徵匹配。
很顯然，基於特徵點的目標跟蹤算法和1），2）兩個步驟有關。特徵點可以是Harris角點（見我的另外一篇博文），也可以是邊緣點等等，而估計下一幀位置的方法也有不少，比如這裏要講的光流法。
對於雙目相機，因爲兩個攝像機距離已知，利用兩個攝像機的圖像可完成特徵點深度測量。對於單目攝像機來說，一般需用IMU來配合檢測攝像機移距離，實現兩幅圖像中像素的三角測量；或者攝像機外參數固定，在特殊場景下，也能完成測量。
2.像素點匹配：
主要是BREAF等編碼，也能按照SIFT編碼，主要是尋找特徵點周圍的梯度信息，按照順時針或者逆時針對梯度進行編碼，Difference最大的區域一般選爲主方向。可能存在多個主方向。圖像相似度用海明距離計算，也能參考協方差概念。
包括RANSAC過濾誤差較大的點。
二、後端優化
主要是攝像頭位姿改變，外參的校準和三維點雲更新。
建圖過程中攝像機位置總是改變，因此求出三維點的座標不能直接使用，還要乘以旋轉矩陣和平移矩陣。
可以用卡爾曼濾波法，對移動進行觀測和估計，現代方法都是用ICP/PNP提供初始解。
然後使用圖優化G2O進行進一步優化，
Ceres，BA，包括增量BA，完成多副圖像中的特徵點形成三維位置更新和攝像機位置重置。
三、閉環檢測
圖像回到原點可能出現攝像機位置不一致的情況。這個時候就要使用CloseLoop矯正，一般是使用詞袋DWOB評估圖像和之前圖像（N幀之前）的相似度，這裏一般是和KeyFrame圖像比較。矯正的方案的基礎是大回環，多個關鍵幀都相似才優化。