在七月算法报的班，老师讲的蛮好。好记性不如烂笔头，关键内容还是记录一下吧，课程入口，感兴趣的同学可以学习一下。

-------------------------------------------------------------------------------------------------------------------------------

特征点法流程：

1.在图像中提取特征点并计算特征描述    非常耗时约10ms ORB

2.在不同图像中寻找特征匹配                  非常耗时𝑂(𝑛∧2) 暴力匹配

3.利用匹配点信息计算相机位姿               比较快速<1ms

是否可以不使用特征匹配计算VO？

光流法：最小化重投影误差 Reprojection error

直接法：最小化光度误差 Photometric error

光流： 追踪源图像某个点在其他图像中的运动。本质→估计像素在不同时刻图像中的运动。

光流法又分为两大类，每一类的计算方法也不同。

❑ 稀疏光流：计算部分像素运动 ---- Lucas Kanade

❑ 稠密光流：计算全部像素运动 ---- Horn Schunck

光流法的前提假说：灰度不变。

光流法的数学基础

光流法中的L-K方法

LK光流的结果依赖于图像梯度

❑ 但梯度不够平滑，可能剧烈变化

❑ 局部的梯度不能用于预测长期图像走向

解决方式：多层光流

光流法的总结：

➢ 可以看成最小化像素误差的非线性优化

➢ 每次使用了 Taylor 一阶近似，在离优化点较远时效果不佳，往往需要迭代多次

➢ 运动较大时要使用金字塔

➢ 可以用于跟踪图像中的稀疏关键点的运动轨迹

➢ 得到配对点后，后续计算与特征法VO中相同

光流法的缺点：

➢ 没有用到相机本身的几何结构

➢ 没有考虑到相机的旋转和图像的缩放

➢ 对于边界上的点，光流不好追踪

直接法：

通过相机模型对相机位姿变化进行估计

建立目标函数

计算过程

左扰动分解中三项的物理意义

根据使用的图像信息不同，可分为：

➢ 稀疏直接法：只处理稀疏角点或关键点

➢ 稠密直接法：使用所有像素

➢ 半稠密直接法：使用部分梯度明显的像素

直接法的直观解释:

➢ 像素灰度引导着优化的方向

➢ 要使优化成立，必须保证从初始估计到最优估计中间的梯度一直下降

➢ 这很容易受到图像非凸性的影响

直接法的优势与劣势

优势：

❑ 省略特征提取的时间

❑ 只需有像素梯度而不必是角点（对白墙等地方有较好效果）

❑ 可稠密或半稠密

劣势：

❑ 灰度不变难以满足（易受曝光和模糊影响）

❑ 单像素区分性差

❑ 图像非凸性