Frame類的成員變量主要包含從攝像頭獲取的圖像的
1. 特征點信息（關鍵點+描述字）
2. 尺寸不變特征所用金字塔信息，這些都定義在ORBextractor對象中
3. 詞袋模型參數，用於跟蹤失敗情況下重定位
4. 相機參數，深度閾值
5. 當前幀的id，時間戳，相對世界坐標系位姿，參考關鍵幀，特征點對應地圖點及其是否是外點
6. 特征點網格分配情況，以及當前幀相對世界坐標的位姿（包括位姿矩陣的更新，以及相機光心坐標）。
每獲取一幀圖像，mnId++，因此30fps的相機，一秒構建30個Frame對象。
雙目，RGB-D和單目對應重載的構造函數。
雙目構建的Frame對象：
提取特征加入雙線程同步提取，0,1代表左目和右目，兩張圖片提取的特征點會放在不同的vector中，對於單目和RGB-D來說，右目不使用。
thread threadLeft(&Frame::ExtractORB,this,0,imLeft); thread threadRight(&Frame::ExtractORB,this,1,imRight); threadLeft.join(); threadRight.join();
向量mvKeys中存放N個提取出的左圖關鍵點，mDescriptor中存放提取出的左圖描述子，右圖的放在mvKeysRight和mDescriptorsRight中；
然后進行畸變矯正（由OpenCV完成），然后進行雙目匹配（記錄左圖中特征點對應的右圖坐標，以及恢復出的深度）；
初始化地圖點及其外點；
mvpMapPoints = vector<MapPoint*>(N,static_cast<MapPoint*>(NULL));
mvbOutlier = vector<bool>(N,false);
最后將關鍵點分布到64*48分割而成的網格中（目的是加速匹配以及均勻化關鍵點分布）。
RGBD構建的Frame對象：
和雙目類似，但是不需要雙目匹配，只需恢復出右圖中深度>0的橫坐標和深度即可。
單目構建的Frame對象：
和雙目類似，但是不包含匹配信息：
mvuRight = vector<float>(N,-1); mvDepth = vector<float>(N,-1);
Frame類還提供了一些與自己關聯緊密的函數，用於其他模塊：
1. 設置當前幀的姿態，並更新當前幀相機在世界坐標系下的位姿，中心點位置；
2. 判斷一個MapPoint是否在視角范圍內：
bool Frame::isInFrustum(MapPoint *pMP, float viewingCosLimit) { // 注意這里的MapPoint是從SearchLocalPoint傳遞進來的，具備一定信息量 pMP->mbTrackInView = false; cv::Mat P = pMP->GetWorldPos(); const cv::Mat Pc = mRcw*P+mtcw; // 這里的R，t是經過初步的優化后的 const float &PcX = Pc.at<float>(0); const float &PcY = Pc.at<float>(1); const float &PcZ = Pc.at<float>(2); if(PcZ<0.0f) return false; // Project in image and check it is not outside const float invz = 1.0f/PcZ; const float u=fx*PcX*invz+cx; const float v=fy*PcY*invz+cy; if(u<mnMinX || u>mnMaxX) return false; if(v<mnMinY || v>mnMaxY) return false; // Check distance is in the scale invariance region of the MapPoint // 每一個地圖點都是對應於若干尺度的金字塔提取出來的，具有一定的有效深度，如果相對當前幀的深度超過此范圍，返回False const float maxDistance = pMP->GetMaxDistanceInvariance(); const float minDistance = pMP->GetMinDistanceInvariance(); // 世界坐標系下，相機到3D點P的向量, 向量方向由相機指向3D點P const cv::Mat PO = P-mOw; const float dist = cv::norm(PO); if(dist<minDistance || dist>maxDistance) return false; // Check viewing angle // 每一個地圖點都有其平均視角，是從能夠觀測到地圖點的幀位姿中計算出 // 如果當前幀的視角和其平均視角相差太大，返回False cv::Mat Pn = pMP->GetNormal();// |Pn|=1 const float viewCos = PO.dot(Pn)/dist; // = P0.dot(Pn)/(|P0|*|Pn|); |P0|=dist if(viewCos<viewingCosLimit) return false; // Predict scale in the image // 根據深度預測尺度（對應特征點在一層） const int nPredictedLevel = pMP->PredictScale(dist,this); // Data used by the tracking // 標記該點將來要被投影 pMP->mbTrackInView = true; pMP->mTrackProjX = u; pMP->mTrackProjXR = u - mbf*invz; //該3D點投影到雙目右側相機上的橫坐標 pMP->mTrackProjY = v; pMP->mnTrackScaleLevel = nPredictedLevel; pMP->mTrackViewCos = viewCos; return true; }
3. 在某塊區域內獲取特幀點：
vector<size_t> Frame::GetFeaturesInArea(const float &x, const float &y, const float &r, const int minLevel, const int maxLevel) const；
其中，minLevel和maxLevel考察特征點是從圖像金字塔的哪一層提取出來的。
4. 將當前幀的描述子矩陣（可以轉換成向量），轉換成詞袋模型向量（DBoW2::BowVector mBowVec； DBoW2::FeatureVector mFeatVec；）：
void Frame::ComputeBoW(){...}
5. 將特征點坐標（給id即可）反投影到3D地圖點（世界坐標）：
cv::Mat Frame::UnprojectStereo(const int &i){}
最后，是Frame類中最重要的一個算法，雙目匹配以及恢復特征點的深度
圖像金字塔：0層是原始圖。對0層高斯核卷積后，降采樣（刪除所有偶數行和偶數列）即可得到高斯金字塔第1層；插入0用高斯卷積恢復成原始大小，與0層相減，得到0層拉普拉斯金字塔，對應的是0層高斯金字塔在濾波降采樣過程中丟失的信息，在其上可以提取特征。然后不斷降采樣，獲得不同層的高斯金字塔與拉普拉斯金字塔，提取出的特征對應的尺度與金字塔的層數是正相關的。層數越高，對應的尺度越大，尺度不確定性越高。通過對圖像的這種處理，我們可以提取出尺寸不變的的特征。但是在特征匹配時，需要考慮到提取特征點時對應的層數（尺度）。
在匹配左右幀的特征點時，雖然已經經過了極線矯正，但是不能僅僅搜索極線對應的同一行像素點，而應該根據右目提取特征點時的尺度（金字塔層數），確定一個極線附近的掃描范圍r，這個帶狀范圍內均包含這個特征信息。
const float r = 2.0f*mvScaleFactors[mvKeysRight[iR].octave];
1. 對左目相機每個特征點，通過描述子在右目帶狀搜索區域找到匹配點；
2. 通過SAD匹配提高像素匹配修正量bestincR；
3. 做拋物線擬合找谷底得到亞像素匹配deltaR；
4. 剔除SAD匹配偏差較大的匹配特征點。