ORB-SLAM 2跑通自己的数据集一 、拍摄视频并转化为图片：二、准备索引目录文件：三、生成自己的参数配置文件TUM.yaml。复制TUM1.yaml，并修改参数即可。四、ORB-SLAM2所在的目录并运行如下命令即可：五、本次实验存在的问题： 一 、拍摄视频并转化为图片： 创建python文件，命名为：setVedio.py #coding:utf-8 import os import cv2 import numpy as np def getName(num): strTmp = [] strRes = '' while(num / 10): s

Feature Tracking and Synchronous Scene Generation with a Single Camera项目的完整版1.0，利用orb算法检测特征点，lk光流跟踪，solvepnp计算相机姿态，opengl画ar物体并实时跟踪重现。

以移动机器人视觉导航为应用背景，针对传统ORB算法在视觉SLAM中存在特征点分布不均匀、重叠特征点较多的问题，提出一种改进ORB算法。首先，对每层图像的尺度空间金字塔进行网格划分，增加空间尺度信息；其次，在特征点检测时，采用改进FAST角点自适应阈值提取，设置感兴趣区域；然后，采用非极大值抑制的方法，抑制低阈值特征点的输出；最后，使用基于区域图像特征点分布的方差数值评价待检测图像中特征点的分布情况。实验结果表明，改进ORB算法特征点的分布较为均匀，输出特征点重叠数量较少，执行时间较短。

ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。这个算法是由Ethan Rublee, Vincent Rabaud, Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB：An Efficient Alternative to SIFTor SURF”的文章中提出。ORB算法分为两部分，分别是特征点提取和特征点描述。特征提取是由FAST（Features from Accelerated Segment Test）算法发展来的，特征点描述是根据BRIEF（Binary Robust IndependentElementary Features）特征描述算法改进的。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。据说，ORB算法的速度是sift的100倍，是surf的10倍。

ORB特征四叉树均匀分布算法_刘宏伟论文

提出融合遮挡感知的在线Boosting跟踪算法，该算法对跟踪结果实时进行遮挡检测，根据检测结果自适应调整分类器更新策略。该方式能够有效维护分类器特征池的纯净，提高算法在遮挡环境下的顽健性。实验结果表明，与传统的在线Boosting跟踪算法相比，改进的算法能有效解决目标遮挡问题。

orb特征提取与匹配

针对ORB算法特征匹配精度低的缺陷,结合金字塔光流特性,提出一种优化ORB特征匹配的方法。首先,采用区域分块法对待匹配图像进行处理,挑选出最佳匹配子块,缩小无效匹配区域;接着,对子块提取ORB关键字并计算匹配描述子得到粗匹配点对,采用金字塔光流法追踪ORB特征点,求解特征点的运动位移矢量,以此剔除粗匹配部分错误的匹配对;最后,采用随机采样一致算法进一步剔除冗余匹配点,获取更为精准的匹配对。实验结果表明,本文优化的ORB算法可以很好地满足实时性和精度的要求,特征匹配的平均耗时为原ORB算法的87%左右,且平均匹配率达98%以上。

基于OpenCV2.4.2和VS2008平台下的ORB和FREAK局部特征描述子的对比实验代码

ORB_SLAM3源码（附带详细注释）