一. 通過對極約束並行計算F和H矩陣初始化
VO初始化目的是為了獲得准確的幀間相對位姿，並通過三角化恢復出初始地圖點。初始化方法要求適用於不同的場景（特別是平面場景），並且不要進行人為的干涉，例如選取視差大（large parallax）的場景（視差大代表相機移動會帶來明顯的圖像變化，通常距離相機距離越遠，距離相機光軸越近，視差越小）。ORB-SLAM中並行計算了適用於平面場景的單應性矩陣H和一般場景下的基礎矩陣F，然后通過打分選取合適的。ORB-SLAM的初始化要求是比較高的，只有在確定初始化安全的情況下，才會去初始化。
首先復習一下對極約束
F矩陣適用於3D點不共面的情況，我們以左側相機為參考系，約定
相機內參K，
空間點坐標P = [X, Y, Z]T; 齊次坐標為[X, Y, Z, 1]T
在Z=1歸一化平面上的坐標為xi = [X/Z, Y/Z, 1]T，i=1, 2
圖像平面坐標為pi = [u, v]，i=1, 2; 齊次坐標為[u, v, 1]
可以推出pi = Kxi
對極約束就是滿足：
p2T K-T t^R K-1 p1=0
x2T t^R x1 = 0
其中 E = t^R 稱為本質矩陣（Essential Matrix），F = K-T t^R K-1基礎矩陣（Fundamental Matrix），根據匹配點的坐標p1, p2可以計算出F矩陣和E矩陣，E矩陣可以通過8點法求解線性方程組得到，然后通過對E矩陣奇異值分解E = UΣVT，注意其中奇異值應該是[σ, σ, 0]的形式，表示圖像僅在2維空間中經過了縮放。如果發現獲得奇異值不滿足，需要將矩陣投影到E所滿足的流形上。最后通過U, Σ, V計算出t和R
H矩陣適用於3D點共面的情況
設P點所在平面滿足 nTP+d=0
將其結合對極約束p2 = K(RP+t)
可以得到H矩陣與匹配點坐標p1,p2之間的關系，同樣可以通過求解線性方程然后分解矩陣的方法來獲取t和R
二. 步驟
1. 在金字塔0層上提取特征點，匹配前后兩幀，得到像素坐標下的匹配點。
2. 並行計算H矩陣和F矩陣，其中H矩陣使用歸一化的DLT（直接線性變換）方法，F矩陣使用8-點法，具體可以參考[1]， H矩陣使用8個點，F矩陣使用4個點，迭代次數設定為相同，打分機制也設定平衡。
3. 如果場景接近平面，或者視差較小，可以使用單應性矩陣來解釋。通過打分機制選擇模型。
4. 利用選擇的模型，恢復運動和地圖點。分解H矩陣可以恢復出8種姿態，SVD分解E矩陣也可以恢復出4種姿態，通過深度值以及場景的先驗信息，一般可以得到唯一滿足要求的。但是小視角情況下會出現判斷錯誤的情況出現，因此ORB-SLAM中選擇使用這些備選姿態直接三角化出地圖點，再通過視角，深度以及重投影誤差來判定是否有唯一解，若沒有，則放棄，重新回到第一步去初始化。
5. 若初始化成功，則進行GlobalBundleAdjustment
相比於PTAM和LSD-SLAM，ORB在NewCollege的室外平面場景中初始化魯棒性是比較出色的。
[1] 高翔，視覺SLAM十四講