1. okvis_app_synchronous.cpp
在此文件中 okvis 對象為 okvis_estimator，是類 okvis::ThreadedKFVio 的實例化對象。
數據輸入接口是 ThreadedKFVio::addImuMeasurement 和 ThreadedKFVio::addImage。
整個數據輸入的代碼，在 for(...; i < numCameras; ...) 內，可支持多個相機的影像。
此文件是為 EuRoC 數據集寫的入口，所以 IMU 只有 1 個，也沒有為多個 IMU 提供便利。
輸入 IMU 數據的代碼如下，其中 deltaT 為 0，而 start 是第一張影像的時間。此 if 判斷，將輸入的 IMU 時間控制在，[start - 1, +inf]，IMU 需要在影像 1s 前啟動初始化。
if (t_imu - start + okvis::Duration(1.0) > deltaT) {
okvis_estimator.addImuMeasurement(t_imu, acc, gyr);
}
2. ThreadedKFVio::addImuMeasurement 和 ThreadedKFVio::addImage
IMU 數據與相機數據在這兩個函數中進行封裝（okvis::ImuMeasurement 和 okvis::CameraMeasurement），隨后 push 到隊列的尾部，等待其他線程進行處理。
這兩個隊列實例是 imuMeasurementReceived_ 和 cameraMeasurementReceived_。對應的類是 okvis::threadsafe::ThreadSafeQueue，嗯，這個類可以仔細看看，對小白來說很有價值。對數據的處理有兩種方式，blocking 和 non blocking，控制對列繁忙的時候是不是要把數據丟棄。
3. ThreadedKFVio 中的線程
okvis 開了一些線程進行不同部分的計算，可以在 Threaded::startThreads 中看到這些進程的啟動。這個函數中啟動了一些現在沒有用的線程，如 position, gps, manetometer, differential 數據處理的線程，這些數據當前都沒有支持。
主要關注的線程函數有，frameConsumerLoop 和 imuConsumerLoop 數據預處理，matchingLoop 影像匹配，optimizationLoop 后端優化，publisherLoop publish 最終位姿計算結果。
3.1 ThreadedKFVio::imuConsumerLoop
從 imuMeasurementReceived_ 中 pop 出 imu 數據，push 到 imuMeasurements_ 這個 std::deque 中去。隨后在 frameConsumerLoop 中調用函數 ThreadedKFVio::getImuMeasurements，將其取出進行處理。
最后 imuFrameSynchronizer_.gotImuData(data.timeStamp) 向其他等待的線程申明已經把該時刻之前的 imu 數據放入 imuMeasurements_ 中。
如果設置中設定了要 publish imu 積分結果，就進行一次 imu 積分，frontend_.propagation，積分的結果存放在 optimizationResults_ 中。在 ThreadedKFVio.cpp 中搜一下 optimizationResults_ 的出現場景，實際上對其中數據的輸入、輸出只另外出現在了 optimizationLoop 輸入和 publisherLoop 輸出。
3.2 ThreadedKFVio::frameConsumerLoop
這個函數有 numCameras_ 個，之間用函數參數 cameraIndex 區別。作用是提取每一張影像上的 brisk 特征點，並計算描述子。
先從 cameraMeasurementsReceived_ 中 pop 出 camera 數據 frame，使用 frameSynchronizer_.addNewFrame(frame) 中得到一個 okvis::MultiFrame，MultiFrame 是同一時刻所有相機拍攝到影像的集合（當然也不是完全絕對的同一時刻，總是有點偏差，具體細節看 Frame:Synchronizer::addNewFrame）。
現在，multiFrame 代表了這一張影像。因為特征點需要絕對的方向進行描述，所以現在需要使用 imu 數據積分算當前影像的姿態。若是第一幀，imu 沒有啟動，使用 okvis::Estimator::initPoseFromImu 進行啟動。如果不是第一幀，則使用 okvis::ceres::ImuError::propagation 積分得到當前的姿態。而這個積分的起點是 lastOptimized_T_WS_，是 optimizationLoop 得到的上一幀影像優化結果（publish 出去的最終姿態）。
得到當前影像位姿（中間結果，未優化），進行特征點處理。
frontend.detectAndDescribe(frame->sensorId, multiFrame, T_WC, nullptr);
bool push = false;之后的部分，就是一些后續的結尾工作。
frameSynchronizer_.detectionEndedForMultiFrame(multiFrame->id());
為當前 multiFrame 的處理計數 +1，當該計數為 numCameras_ 時，說明這個 multiFrame 處理完成了，下面這個 if 語句為真。
if (frameSynchronizer_.detectionCompletedForAllCameras(multiFrame->id())) {
push = true;
}
push 為真，西面就可以把當前 multiFrame push 到 keypointMeasurements_ 中，matchingLoop 會從 keypointMeasurements_ 中取數據。
3.3 ThreadedKFVio::matchingLoop
fontend_.dataAssociationAndInitialization(estimator_, T_WS, parameters_, map_, frame, &asKeyframe);
與上一個關鍵幀進行匹配，當前幀不同影像之間進行 Stereo Matching。
if (estimator_.addStates(frame, imuData, asKeyframe)) {
...
}
estimator_ 是后端優化的實例，這里又將當前幀與上一幀（上一次 matchingLoop 處理的幀）之間的 imu 提取出存儲在 imuData 中，加入到后端中。
3.4 ThreadedKFVio::optimizationLoop
真正的后端處理在這個函數中。分為三個部分：optimization, marginalization, afterOptimization 三個部分。