添加注释

include/CameraModels/GeometricCamera.h

@@ -41,35 +41,44 @@ namespace ORB_SLAM3 {
         GeometricCamera(const std::vector<float> &_vParameters) : mvParameters(_vParameters) {}
         ~GeometricCamera() {}
 
+        // 投影函数
         virtual cv::Point2f project(const cv::Point3f &p3D) = 0;
         virtual cv::Point2f project(const cv::Matx31f &m3D) = 0;
         virtual cv::Point2f project(const cv::Mat& m3D) = 0;
         virtual Eigen::Vector2d project(const Eigen::Vector3d & v3D) = 0;
         virtual cv::Mat projectMat(const cv::Point3f& p3D) = 0;
 
+        // 返回像素点的不确定性，返回的都是1.0f
         virtual float uncertainty2(const Eigen::Matrix<double,2,1> &p2D) = 0;
 
+        // 反投影
         virtual cv::Point3f unproject(const cv::Point2f &p2D) = 0;
         virtual cv::Mat unprojectMat(const cv::Point2f &p2D) = 0;
         virtual cv::Matx31f unprojectMat_(const cv::Point2f &p2D) = 0;
 
+        // 投影雅可比
         virtual cv::Mat projectJac(const cv::Point3f &p3D) = 0;
         virtual Eigen::Matrix<double,2,3> projectJac(const Eigen::Vector3d& v3D) = 0;
 
+        // 反投影雅可比（未使用）
         virtual cv::Mat unprojectJac(const cv::Point2f &p2D) = 0;
 
+        // 三角化恢复三维点，主要在单目初始化中使用
         virtual bool ReconstructWithTwoViews(const std::vector<cv::KeyPoint>& vKeys1, const std::vector<cv::KeyPoint>& vKeys2, const std::vector<int> &vMatches12,
                                              cv::Mat &R21, cv::Mat &t21, std::vector<cv::Point3f> &vP3D, std::vector<bool> &vbTriangulated) = 0;
-
+        // 返回K矩阵
         virtual cv::Mat toK() = 0;
         virtual cv::Matx33f toK_() = 0;
 
+        // 极线约束，三角化MP时使用
         virtual bool epipolarConstrain(GeometricCamera* otherCamera, const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, const cv::Mat& R12, const cv::Mat& t12, const float sigmaLevel, const float unc) = 0;
         virtual bool epipolarConstrain_(GeometricCamera* otherCamera, const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, const cv::Matx33f& R12, const cv::Matx31f& t12, const float sigmaLevel, const float unc) = 0;
 
+        // 获取与设置相机内参数
         float getParameter(const int i){return mvParameters[i];}
         void setParameter(const float p, const size_t i){mvParameters[i] = p;}
 
+        // 参数的size
         size_t size(){return mvParameters.size();}
 
         virtual bool matchAndtriangulate(const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, GeometricCamera* pOther,
@@ -77,8 +86,8 @@ namespace ORB_SLAM3 {
                                  const float sigmaLevel1, const float sigmaLevel2,
                                  cv::Mat& x3Dtriangulated) = 0;
 
+        // 关于ID与type的获取函数，但是代码中没有使用
         unsigned int GetId() { return mnId; }
-
         unsigned int GetType() { return mnType; }
 
         const unsigned int CAM_PINHOLE = 0;
@@ -87,7 +96,7 @@ namespace ORB_SLAM3 {
         static long unsigned int nNextId;
 
     protected:
-        std::vector<float> mvParameters;
+        std::vector<float> mvParameters;  // 存放参数，包括k的参数与畸变
 
         unsigned int mnId;
 

include/CameraModels/KannalaBrandt8.h

@@ -59,38 +59,47 @@ namespace ORB_SLAM3 {
             mnType = CAM_FISHEYE;
         }
 
+        // 投影函数
         cv::Point2f project(const cv::Point3f &p3D);
         cv::Point2f project(const cv::Matx31f &m3D);
         cv::Point2f project(const cv::Mat& m3D);
         Eigen::Vector2d project(const Eigen::Vector3d & v3D);
         cv::Mat projectMat(const cv::Point3f& p3D);
 
+        // 返回像素点的不确定性，返回的都是1.0f
         float uncertainty2(const Eigen::Matrix<double,2,1> &p2D);
 
+        // 反投影
         cv::Point3f unproject(const cv::Point2f &p2D);
         cv::Mat unprojectMat(const cv::Point2f &p2D);
         cv::Matx31f unprojectMat_(const cv::Point2f &p2D);
 
+        // 投影雅可比
         cv::Mat projectJac(const cv::Point3f &p3D);
         Eigen::Matrix<double,2,3> projectJac(const Eigen::Vector3d& v3D);
 
+        // 反投影雅可比（未使用）
         cv::Mat unprojectJac(const cv::Point2f &p2D);
 
+        // 三角化恢复三维点
         bool ReconstructWithTwoViews(const std::vector<cv::KeyPoint>& vKeys1, const std::vector<cv::KeyPoint>& vKeys2, const std::vector<int> &vMatches12,
                                      cv::Mat &R21, cv::Mat &t21, std::vector<cv::Point3f> &vP3D, std::vector<bool> &vbTriangulated);
 
+        // 返回K矩阵
         cv::Mat toK();
         cv::Matx33f toK_();
 
+        // 极线约束
         bool epipolarConstrain(GeometricCamera* pCamera2, const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, const cv::Mat& R12, const cv::Mat& t12, const float sigmaLevel, const float unc);
         bool epipolarConstrain_(GeometricCamera* pCamera2, const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, const cv::Matx33f& R12, const cv::Matx31f& t12, const float sigmaLevel, const float unc);
 
-
+        // 三角化匹配
         float TriangulateMatches(GeometricCamera* pCamera2, const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, const cv::Mat& R12, const cv::Mat& t12, const float sigmaLevel, const float unc, cv::Mat& p3D);
         float TriangulateMatches_(GeometricCamera* pCamera2, const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, const cv::Matx33f& R12, const cv::Matx31f& t12, const float sigmaLevel, const float unc, cv::Matx31f& p3D);
 
         std::vector<int> mvLappingArea;
 
+        // 匹配三角化
         bool matchAndtriangulate(const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, GeometricCamera* pOther,
                                                  cv::Mat& Tcw1, cv::Mat& Tcw2,
                                                  const float sigmaLevel1, const float sigmaLevel2,
@@ -99,13 +108,14 @@ namespace ORB_SLAM3 {
         friend std::ostream& operator<<(std::ostream& os, const KannalaBrandt8& kb);
         friend std::istream& operator>>(std::istream& is, KannalaBrandt8& kb);
     private:
-        const float precision;
+        const float precision;  // 迭代使用
 
         //Parameters vector corresponds to
         //[fx, fy, cx, cy, k0, k1, k2, k3]
 
         TwoViewReconstruction* tvr;
 
+        // 三角化
         void Triangulate(const cv::Point2f &p1, const cv::Point2f &p2, const cv::Mat &Tcw1, const cv::Mat &Tcw2,cv::Mat &x3D);
         void Triangulate_(const cv::Point2f &p1, const cv::Point2f &p2, const cv::Matx44f &Tcw1, const cv::Matx44f &Tcw2,cv::Matx31f &x3D);
     };

include/CameraModels/Pinhole.h

@@ -58,30 +58,37 @@ namespace ORB_SLAM3 {
             if(tvr) delete tvr;
         }
 
+        // 投影函数
         cv::Point2f project(const cv::Point3f &p3D);
         cv::Point2f project(const cv::Matx31f &m3D);
         cv::Point2f project(const cv::Mat &m3D);
         Eigen::Vector2d project(const Eigen::Vector3d & v3D);
         cv::Mat projectMat(const cv::Point3f& p3D);
 
+        // 返回像素点的不确定性，返回的都是1.0f
         float uncertainty2(const Eigen::Matrix<double,2,1> &p2D);
 
+        // 反投影
         cv::Point3f unproject(const cv::Point2f &p2D);
         cv::Mat unprojectMat(const cv::Point2f &p2D);
         cv::Matx31f unprojectMat_(const cv::Point2f &p2D);
 
-
+        // 投影雅可比
         cv::Mat projectJac(const cv::Point3f &p3D);
         Eigen::Matrix<double,2,3> projectJac(const Eigen::Vector3d& v3D);
 
+        // 反投影雅可比（未使用）
         cv::Mat unprojectJac(const cv::Point2f &p2D);
 
+        // 三角化恢复三维点
         bool ReconstructWithTwoViews(const std::vector<cv::KeyPoint>& vKeys1, const std::vector<cv::KeyPoint>& vKeys2, const std::vector<int> &vMatches12,
                                              cv::Mat &R21, cv::Mat &t21, std::vector<cv::Point3f> &vP3D, std::vector<bool> &vbTriangulated);
 
+        // 返回K矩阵
         cv::Mat toK();
         cv::Matx33f toK_();
 
+        // 极线约束
         bool epipolarConstrain(GeometricCamera* pCamera2, const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, const cv::Mat& R12, const cv::Mat& t12, const float sigmaLevel, const float unc);
         bool epipolarConstrain_(GeometricCamera* pCamera2, const cv::KeyPoint& kp1, const cv::KeyPoint& kp2, const cv::Matx33f& R12, const cv::Matx31f& t12, const float sigmaLevel, const float unc);
 

src/CameraModels/KannalaBrandt8.cpp

@@ -141,8 +141,18 @@ cv::Matx31f KannalaBrandt8::unprojectMat_(const cv::Point2f &p2D)
 
 /** 
  * @brief 反投影
+ * 投影过程
+ * xc​ = Xc/Zc, yc = Yc/Zc
+ * r^2 = xc^2 + yc^2
+ * θ = arctan(r)
+ * θd = k0*θ + k1*θ^3 + k2*θ^5 + k3*θ^7 + k4*θ^9
+ * xd = θd/r * xc   yd = θd/r * yc
+ * u = fx*xd + cx  v = fy*yd + cy
+ * 
+ * 
  * 已知u与v 未矫正的特征点像素坐标
  * xd = (u - cx) / fx    yd = (v - cy) / fy
+ * 待求的 xc = xd * r / θd  yc = yd * r / θd
  * 待求的 xc = xd * tan(θ) / θd  yc = yd * tan(θ) / θd
  * 其中 θd的算法如下：
  *     xd^2 + yd^2 = θd^2/r^2 * (xc^2 + yc^2)
@@ -172,17 +182,22 @@ cv::Point3f KannalaBrandt8::unproject(const cv::Point2f &p2D)
     if (theta_d > 1e-8)
     {
         //Compensate distortion iteratively
-        float theta = theta_d;
+        float theta = theta_d;  // θ的初始值定为了θd
         // 开始迭代
         for (int j = 0; j < 10; j++)
         {
-            float theta2 = theta * theta, theta4 = theta2 * theta2, theta6 = theta4 * theta2, theta8 = theta4 * theta4;
+            float theta2 = theta * theta, 
-            float k0_theta2 = mvParameters[4] * theta2, k1_theta4 = mvParameters[5] * theta4;
+                  theta4 = theta2 * theta2,
-            float k2_theta6 = mvParameters[6] * theta6, k3_theta8 = mvParameters[7] * theta8;
+                  theta6 = theta4 * theta2,
+                  theta8 = theta4 * theta4;
+            float k0_theta2 = mvParameters[4] * theta2,
+                  k1_theta4 = mvParameters[5] * theta4;
+            float k2_theta6 = mvParameters[6] * theta6,
+                  k3_theta8 = mvParameters[7] * theta8;
             float theta_fix = (theta * (1 + k0_theta2 + k1_theta4 + k2_theta6 + k3_theta8) - theta_d) /
                                 (1 + 3 * k0_theta2 + 5 * k1_theta4 + 7 * k2_theta6 + 9 * k3_theta8);
             theta = theta - theta_fix;
-            if (fabsf(theta_fix) < precision)
+            if (fabsf(theta_fix) < precision)  // 如果更新量变得很小，表示接近最终值
                 break;
         }
         //scale = theta - theta_d;
@@ -194,7 +209,7 @@ cv::Point3f KannalaBrandt8::unproject(const cv::Point2f &p2D)
 }
 
 /** 
- * @brief 求解三维点关于二维像素坐标的雅克比矩阵
+ * @brief 求解二维像素坐标关于三维点的雅克比矩阵
  * u = fx * θd * x / sqrt(x^2 + y^2) + cx
  * v = fy * θd * y / sqrt(x^2 + y^2) + cy
  * 这两个式子分别对 xyz 求导
@@ -376,23 +391,27 @@ bool KannalaBrandt8::matchAndtriangulate(const cv::KeyPoint &kp1, const cv::KeyP
     cv::Point3f ray1c = this->unproject(kp1.pt);
     cv::Point3f ray2c = pOther->unproject(kp2.pt);
 
+    // 获得点1在帧1的归一化坐标
     cv::Mat r1(3, 1, CV_32F);
     r1.at<float>(0) = ray1c.x;
     r1.at<float>(1) = ray1c.y;
     r1.at<float>(2) = ray1c.z;
 
+    // 获得点2在帧2的归一化坐标
     cv::Mat r2(3, 1, CV_32F);
     r2.at<float>(0) = ray2c.x;
     r2.at<float>(1) = ray2c.y;
     r2.at<float>(2) = ray2c.z;
 
     //Check parallax between rays
+    // 射线在世界坐标系下
     cv::Mat ray1 = Rwc1 * r1;
     cv::Mat ray2 = Rwc2 * r2;
 
     const float cosParallaxRays = ray1.dot(ray2) / (cv::norm(ray1) * cv::norm(ray2));
 
     //If parallax is lower than 0.9998, reject this match
+    // 夹角几乎为0时返回，因为表示这个点过远，三角化会带来大量误差
     if (cosParallaxRays > 0.9998)
     {
         return false;
@@ -409,10 +428,12 @@ bool KannalaBrandt8::matchAndtriangulate(const cv::KeyPoint &kp1, const cv::KeyP
 
     cv::Mat x3D;
 
+    // 三角化
     Triangulate(p11, p22, Tcw1, Tcw2, x3D);
 
     cv::Mat x3Dt = x3D.t();
 
+    //  查看点是否位于相机前面
     //Check triangulation in front of cameras
     float z1 = Rcw1.row(2).dot(x3Dt) + tcw1.at<float>(2);
     if (z1 <= 0)
@@ -426,6 +447,7 @@ bool KannalaBrandt8::matchAndtriangulate(const cv::KeyPoint &kp1, const cv::KeyP
         return false;
     }
 
+    // 查看投影误差
     //Check reprojection error in first keyframe
     //  -Transform point into camera reference system
     cv::Mat x3D1 = Rcw1 * x3D + tcw1;
@@ -480,7 +502,7 @@ float KannalaBrandt8::TriangulateMatches(GeometricCamera *pCamera2, const cv::Ke
     //Check parallax
     // 2. 查看射线夹角
     // 这里有点像极线约束，但并不是，将r2通过R12旋转到与r1同方向的坐标系
-    // 然后计算他们的夹角，看其是否超过1.14° 讲真，这个条件感觉有些苛刻
+    // 然后计算他们的夹角，看其是否超过1.14° 
     cv::Mat r21 = R12 * r2;
 
     const float cosParallaxRays = r1.dot(r21) / (cv::norm(r1) * cv::norm(r21));

src/CameraModels/Pinhole.cpp

@@ -26,7 +26,7 @@ namespace ORB_SLAM3
 long unsigned int GeometricCamera::nNextId = 0;
 
 /** 
- * @brief 投影
+ * @brief 相机坐标系下的三维点投影到无畸变像素平面
  * @param p3D 三维点
  * @return 像素坐标
  */
@@ -37,7 +37,7 @@ cv::Point2f Pinhole::project(const cv::Point3f &p3D)
 }
 
 /** 
- * @brief 投影
+ * @brief 相机坐标系下的三维点投影到无畸变像素平面
  * @param m3D 三维点
  * @return 像素坐标
  */
@@ -47,7 +47,7 @@ cv::Point2f Pinhole::project(const cv::Matx31f &m3D)
 }
 
 /** 
- * @brief 投影
+ * @brief 相机坐标系下的三维点投影到无畸变像素平面
  * @param v3D 三维点
  * @return 像素坐标
  */
@@ -59,7 +59,7 @@ cv::Point2f Pinhole::project(const cv::Mat &m3D)
 }
 
 /** 
- * @brief 投影
+ * @brief 相机坐标系下的三维点投影到无畸变像素平面
  * @param p3D 三维点
  * @return 像素坐标
  */
@@ -73,7 +73,7 @@ Eigen::Vector2d Pinhole::project(const Eigen::Vector3d &v3D)
 }
 
 /** 
- * @brief 投影
+ * @brief 相机坐标系下的三维点投影到无畸变像素平面
  * @param p3D 三维点
  * @return 像素坐标
  */
@@ -94,7 +94,7 @@ float Pinhole::uncertainty2(const Eigen::Matrix<double, 2, 1> &p2D)
 /** 
  * @brief 反投影
  * @param p2D 特征点
- * @return 
+ * @return 归一化坐标
  */
 cv::Point3f Pinhole::unproject(const cv::Point2f &p2D)
 {
@@ -105,7 +105,7 @@ cv::Point3f Pinhole::unproject(const cv::Point2f &p2D)
 /** 
  * @brief 反投影
  * @param p2D 特征点
- * @return 
+ * @return 归一化坐标
  */
 cv::Mat Pinhole::unprojectMat(const cv::Point2f &p2D)
 {
@@ -116,7 +116,7 @@ cv::Mat Pinhole::unprojectMat(const cv::Point2f &p2D)
 /** 
  * @brief 反投影
  * @param p2D 特征点
- * @return 
+ * @return 归一化坐标
  */
 cv::Matx31f Pinhole::unprojectMat_(const cv::Point2f &p2D)
 {
@@ -126,7 +126,7 @@ cv::Matx31f Pinhole::unprojectMat_(const cv::Point2f &p2D)
 }
 
 /** 
- * @brief 求解三维点关于二维像素坐标的雅克比矩阵
+ * @brief 求解二维像素坐标关于三维点坐标的雅克比矩阵
  * @param p3D 三维点
  * @return 
  */
@@ -144,7 +144,7 @@ cv::Mat Pinhole::projectJac(const cv::Point3f &p3D)
 }
 
 /** 
- * @brief 求解三维点关于二维像素坐标的雅克比矩阵
+ * @brief 求解二维像素坐标关于三维点坐标的雅克比矩阵
  * @param v3D 三维点
  * @return 
  */
@@ -162,7 +162,13 @@ Eigen::Matrix<double, 2, 3> Pinhole::projectJac(const Eigen::Vector3d &v3D)
 }
 
 /**
- * @brief 求解二维像素坐标关于三维点的雅克比矩阵
+ * @brief 求解归一化坐标关于二维像素坐标的雅克比矩阵，也就是反投影雅可比
+ * u = fx*x + cx  x = (u - cx)/fx 
+ * v = fy*y + cy  y = (v - cy)/fy 
+ * (x, y, 1) 对于 (u, v)求雅可比
+ * 1/fx  0
+ * 0    1/fy
+ * 0     0
  * @param p2D 特征点
  * @return 
  */
@@ -179,7 +185,7 @@ cv::Mat Pinhole::unprojectJac(const cv::Point2f &p2D)
     return Jac;
 }
 
-/** 三角化恢复三维点
+/** 三角化恢复三维点  单目初始化时使用
  * @param vKeys1 第一帧的关键点
  * @param vKeys2 第二帧的关键点
  * @param vMatches12 匹配关系，长度与vKeys1一样，对应位置存放vKeys2中关键点的下标
@@ -231,7 +237,7 @@ cv::Matx33f Pinhole::toK_()
  * @param R12 2->1的旋转
  * @param t12 2->1的平移
  * @param sigmaLevel 特征点1的尺度的平方
- * @param unc 特征点2的尺度的平方
+ * @param unc 特征点2的尺度的平方，1.2^2n
  * @return 三维点恢复的成功与否
  */
 bool Pinhole::epipolarConstrain(GeometricCamera *pCamera2, const cv::KeyPoint &kp1, const cv::KeyPoint &kp2, const cv::Mat &R12, const cv::Mat &t12, const float sigmaLevel, const float unc)
@@ -243,10 +249,15 @@ bool Pinhole::epipolarConstrain(GeometricCamera *pCamera2, const cv::KeyPoint &k
     cv::Mat F12 = K1.t().inv() * t12x * R12 * K2.inv();
 
     // Epipolar line in second image l = x1'F12 = [a b c]
+    //                      u2,
+    // (u1, v1, 1) * F12 * (v2,) = 0   -->  (a, b, c) * (u2, v2, 1)^t = 0 --> a*u2 + b*v2 + c = 0
+    //                       1
     const float a = kp1.pt.x * F12.at<float>(0, 0) + kp1.pt.y * F12.at<float>(1, 0) + F12.at<float>(2, 0);
     const float b = kp1.pt.x * F12.at<float>(0, 1) + kp1.pt.y * F12.at<float>(1, 1) + F12.at<float>(2, 1);
     const float c = kp1.pt.x * F12.at<float>(0, 2) + kp1.pt.y * F12.at<float>(1, 2) + F12.at<float>(2, 2);
 
+    // 点到直线距离的公式
+    // d = |a*u2 + b*v2 + c| / sqrt(a^2 + b^2)
     const float num = a * kp2.pt.x + b * kp2.pt.y + c;
 
     const float den = a * a + b * b;

src/Frame.cc

@@ -947,6 +947,7 @@ void Frame::UndistortKeyPoints()
     // Undistort points
     // 函数reshape(int cn,int rows=0) 其中cn为更改后的通道数，rows=0表示这个行将保持原来的参数不变
     //为了能够直接调用opencv的函数来去畸变，需要先将矩阵调整为2通道（对应坐标x,y）
+    // cv::undistortPoints最后一个矩阵为空矩阵时，得到的点为归一化坐标点
     mat=mat.reshape(2);
     cv::undistortPoints(mat,mat, static_cast<Pinhole*>(mpCamera)->toK(),mDistCoef,cv::Mat(),mK);
 	//调整回只有一个通道，回归我们正常的处理方式

src/ORBmatcher.cc

@@ -1628,7 +1628,7 @@ int ORBmatcher::SearchForTriangulation(KeyFrame *pKF1, KeyFrame *pKF2, cv::Mat F
         return nmatches;
     }
 
-
+    // 没看到在哪里用到
     int ORBmatcher::SearchForTriangulation(KeyFrame *pKF1, KeyFrame *pKF2, cv::Mat F12,
                                            vector<pair<size_t, size_t> > &vMatchedPairs, const bool bOnlyStereo, vector<cv::Mat> &vMatchedPoints)
     {

src/TwoViewReconstruction.cc

@@ -57,9 +57,10 @@ bool TwoViewReconstruction::Reconstruct(const std::vector<cv::KeyPoint> &vKeys1,
 
     // Fill structures with current keypoints and matches with reference frame
     // Reference Frame: 1, Current Frame: 2
+    // 填写mvMatches12，里面存放的是vKeys1，vKeys2匹配点的索引，
     mvMatches12.clear(); // 存放匹配点的id
     mvMatches12.reserve(mvKeys2.size());
-    mvbMatched1.resize(mvKeys1.size());
+    mvbMatched1.resize(mvKeys1.size());  // 长度与vKeys1，表示对应位置的vKeys1中的点是否有匹配关系
     for (size_t i = 0, iend = vMatches12.size(); i < iend; i++)
     {
         if (vMatches12[i] >= 0)
@@ -78,7 +79,7 @@ bool TwoViewReconstruction::Reconstruct(const std::vector<cv::KeyPoint> &vKeys1,
     vAllIndices.reserve(N);
     vector<size_t> vAvailableIndices;
 
-    // 使用vAllIndices为了保证选不到同一个点
+    // 使用vAllIndices为了保证8个点选不到同一个点
     for (int i = 0; i < N; i++)
     {
         vAllIndices.push_back(i);
@@ -102,7 +103,7 @@ bool TwoViewReconstruction::Reconstruct(const std::vector<cv::KeyPoint> &vKeys1,
 
             mvSets[it][j] = idx;
 
-            // 保证选不到同一个点
+            // 保证选不到同一个点，这么做的话可以删去vAvailableIndices已选点的索引
             vAvailableIndices[randi] = vAvailableIndices.back();
             vAvailableIndices.pop_back();
         }