VINS-mono算法解析：特征点跟踪与初始化详解

VINS-mono是一种基于紧耦合方法的开源VIO（Visual-Inertial Odometry）算法，它通过单目IMU恢复出尺度，具有很好的效果。通过阅读VINS-mono的源码和参考文献，结合算法理论推导，本文总结了VINS-mono的详细解读，旨在与对VINS-mono有一定了解的SLAM算法工程师分享。 文章首先介绍了VINS-mono的特征点跟踪过程。在首帧图像上，使用cv::goodFeaturesToTrack方法找到最强的150个特征点，并进行非极大值抑制，抑制半径为30。每个新特征点都有自己的对应ID。然后，在下一帧图像中，使用光流法对这些特征点进行跟踪，找到匹配点。随后，对前后帧之间的匹配点进行校正。先对特征点进行畸变校正，然后将其投影到以原点为球心，半径为1的球面上，并延伸到深度归一化平面上。 初始化是VINS-mono中的一个重要步骤。首先，通过特征点跟踪和对极几何计算，获取到第二帧和第一帧之间的R、t关系。然后，通过三角化得到初始的特征点深度，并通过RANSAC算法进行外点剔除，得到较为准确的初始位姿。 除了初始化，VINS-mono还包括了正常的跟踪过程。在每一帧中，首先通过预测当前状态的方法获取当前帧的位姿估计和IMU预积分的数据。然后，通过特征点跟踪和对极几何计算，获取当前帧与上一帧之间的R、t关系。接着，在根据IMU预积分数据进行误差优化的过程中，得到更精确的位姿估计。最后，通过滑动窗口优化的方式，结合历史帧的信息，对位姿进行后端优化。 其中，信任深度相机是VINS-mono中的一个关键步骤。通过使用深度相机，可以对特征点的深度进行估计，提高位姿估计的精度。在深度相机不可用的情况下，也可以通过特征点的运动和三角化得到深度信息。 综上所述，VINS-mono通过特征点跟踪、初始化和正常的跟踪等步骤，实现了对相机的位姿估计。它的优点是通过单目IMU恢复尺度，不需要外部参考进行尺度初始化，具有较好的鲁棒性和精度。然而，由于VINS-mono中有很多实现细节，阅读本文之前建议先通读VINS-mono的源码。希望本文能对对VINS-mono有一定了解的SLAM算法工程师有所帮助。