ORB SLAM2跟踪线程

### ORB SLAM2 跟踪线程实现原理

ORB SLAM2 的跟踪模块负责实时定位当前帧相对于已构建的地图的位置。该模块的主要功能是在每一新图像到来时，尝试找到其对应的姿态，并更新局部地图点以保持系统的鲁棒性和准确性。

#### 实现细节

- **特征提取与匹配**
- 对于每一张输入的新图片，在跟踪过程中会检测并描述其中的关键点作为特征[^1]。
- 这些特征随后被用来寻找它们在之前已经建立好的全局或局部地图中的对应关系。

- **位姿优化**
- 当找到了足够的匹配对之后，系统会对相机的姿态进行估计并通过PnP算法计算得到初始猜测值。
- 接着利用BA (Bundle Adjustment) 来进一步精细化这个结果，从而提高位置估算精度。

- **回环检测辅助**
- 如果开启了闭环修正，则当识别到曾经访问过的场景时，也会参与到当前位置调整之中来消除累积误差。

// Pseudo code of tracking thread in C++
void Tracking::Track() {
    // Extract features from current frame
    vector<KeyPoint> keypoints;
    Mat descriptors;
    detector->detectAndCompute(currentFrame, noArray(), keypoints, descriptors);

    // Match with map points or last keyframe's points
    std::vector<cv::DMatch> matches = matcher.match(descriptors, referenceDescriptors);
    
    // Estimate pose using matched feature pairs and refine it via BA
    Sophus::SE3f Tcw_estimated = PoseEstimation(matches); 
    Optimizer::PoseOptimization(&Tcw_estimated, &matches);
}

#### 常见问题及其解决方案

- **丢失追踪（Tracking Lost）**

失去跟踪通常发生在环境变化剧烈或者快速移动的情况下。为了应对这种情况：

- 可以增加关键帧的数量以便更好地覆盖整个空间；
- 使用更强大的特征描述子如SIFT/SURF替代FAST+ORB组合；
- 启用重定位模式重新找回之前的路径。

- **光照条件影响**

不同时间段内光线强度的变化可能会导致特征不稳定。为此建议采用自适应阈值方法处理灰度直方图，增强对比度的同时减少噪声干扰。

- **动态物体干扰**

动态对象的存在可能导致误配现象发生。可以通过设置合理的几何一致性约束排除异常数据点；另外还可以考虑引入语义分割技术区分静态背景和前景目标。