包含了：帧间光流法、区域mask、检测特征点、左右目光流法匹配,计算像素速度,画图.
跟踪上一帧的特征点
如果已经有特征点，就直接进行LK追踪，新的特征点存到cur_pts中（如果刚开始还没有特征点，就直接用cv::goodFeaturesToTrack检测特征点）：
（现根据上次速度和prev_pts，预测本次predict_pts，然后cur_pts = predict_pts这样能缩短光流法时间）
cur_pts = predict_pts; //根据上次速度和特征点prev_pts，预测本次的特征点predict_pts。本次光流法之前让cur_pts = predict_pts，给一个预测，这样能缩短光流法时间
cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 1);
//LK光流法: prev_img 先前帧, cur_img当前帧, prev_pts 先前帧特征点, cur_pts 输出当前的对应点, status 状态向量(找到对应点为1,否则为0), err 误差(?), size:搜索窗口的大小, 最后的1:使用几层金字塔
如果跟踪到的特征点过少(状态位之和<阈值)，换个尺度继续找
if (succ_num < 10)//小于10时，扩大搜索，输入的基于最大金字塔层次数为3
cv::calcOpticalFlowPyrLK(prev_img, cur_img, prev_pts, cur_pts, status, err, cv::Size(21, 21), 3);
然后反向使用光流法提高准确性，用预测值cur_pts去反向预测输入prev_pts，看看是不是对的上，只有两次光流法对应上了(距离小于某值)，才让状态位status=1。
cv::calcOpticalFlowPyrLK(cur_img, prev_img, cur_pts, reverse_pts, reverse_status, err, cv::Size(21, 21), 1)
if(status[i] && reverse_status[i] && distance(prev_pts[i], reverse_pts[i]) <= 0.5)
{
status[i] = 1;
}
特征点的信息：特征点ids、特征点坐标cur_pts、跟踪到的次数track_cnt。 如果那个特征点status为0，就用reduceVector剔除这些信息。
reduceVector(prev_pts, status); // 保留prev_pts中，status不为0的位置，对应的值
reduceVector(cur_pts, status);
reduceVector(ids, status);
reduceVector(track_cnt, status);
对跟踪到的点，跟踪次数+1。
检测新的特征点
接下来利用FeatureTracker::setMask()来设置mask，规则是：
1.将特征点按在以往帧中出现的次数降序排列 (track_cnt存储了次数)
2.从最多的开始，按某一半径设置mask并删除范围内其他点，保证特征点的均匀分布。
然后在mask以外的区域检测新的特征点:
cv::goodFeaturesToTrack(cur_img, n_pts, MAX_CNT - cur_pts.size(), 0.01, MIN_DIST, mask);
// goodFeaturesToTrack(图像，输出点，最多个数，品质因子，角点间距，检测范围)
然后将新提取出来的特征点，添加它的信息：特征点ids、特征点坐标cur_pts、跟踪到的次数track_cnt。
用FeatureTracker::undistortedPts()函数,将当前特征点cur_pts的像素坐标（u, v），转化到归一化相机平面（x,y,1）,放到cur_un_pts。
用FeatureTracker::ptsVelocity(ids, cur_un_pts, cur_un_pts_map, prev_un_pts_map)求当前帧相对于前一帧,特征点沿x,y方向的像素移动速度=(当前点-先前点)/时间,放到pts_velocity.
从左目特征点检测右目对应点
利用光流法做左右目匹配，方法和左目的前后帧匹配一样，匹配到的点，ids相同放到ids_right，坐标放到cur_right_pts：
cv::calcOpticalFlowPyrLK(cur_img, rightImg, cur_pts, cur_right_pts, status, err, cv::Size(21, 21), 3);
// 对应于 cur_pts 寻找在 cur_right_pts 中的对应点
然后同上,转化到归一化相机平面,存到cur_un_right_pts,计算像素速度,存到right_pts_velocity
左右目图像拼接,并画出左目、右目特征点和在不同t的帧间变化连线：
drawTrack(cur_img, rightImg, ids, cur_pts, cur_right_pts, prevLeftPtsMap);
构建map：featureFrame
构建map<int, vector<pair<int, Eigen::Matrix<double, 7, 1>>>> featureFrame，填入{特征点id, [相机id, (特征点空间坐标，像素坐标,像素速度)]}。
feature_id = ids[i]
x = cur_un_pts[i].x;//归一化平面上的位置
y = cur_un_pts[i].y;
z = 1;
p_u = cur_pts[i].x;//像素平面的位置
p_v = cur_pts[i].y;
velocity_x = pts_velocity[i].x;//点在像素平面的速度
velocity_y = pts_velocity[i].y;
xyz_uv_velocity << x, y, z, p_u, p_v, velocity_x, velocity_y;//<<赋值
featureFrame[feature_id].emplace_back(camera_id, xyz_uv_velocity);
填入featureBuf
featureBuf.push(make_pair(t, featureFrame));//按照{时间,featureFrame}
也就是，每帧一个featureFrame，存储该帧检测到的特征点的所有信息。
补充：前面的ids、cur_pts、track_cnt的一点解释。
如第一帧检测到了5个特征点，那它的特征点ids、特征点坐标cur_pts、跟踪到的次数track_cnt是这样的：
第二帧跟踪到了第0、1、4个，然后新检测到了2个点，第二帧的这些量就是这样：
