lsd-slam源码解读第三篇:算法解析

lsd-slam源码解读第三篇:算法解析

标签: lsd-slam

我希望朋友们看着篇博客的时候已经看过我写的第二篇:lsd-slam源码解读第二篇:DataStructures
与此同时对代码已经有一定的了解,如果有朋友还未下载到源码，请看我的第一篇:http://blog.csdn.net/lancelot_vim/article/details/51706832

---

当你对Frame有一定的了解后，自然希望知道这个算法是如何构建的(所谓程序=数据结构+算法)
需要先了解整个slam是如何运作的

我直接把论文中的图片截了过来，实际上整个过程分为三大模块，第一个模块是Tracking,第二个模块是Depth Map Estimation, 第三个模块是Map Optimization，这三个过程分别位于论文的3.3，3.4和3下的其他部分(实际上Optimization可以说是整个算法的核心部分)

Tracking

回想之前写过的数据结构Frame，里面包含了图像，深度和深度方差，即

式中下标i表示关键帧的id,I表示从图像向一个实数的映射，D表示深度图到正实数的映射，V表示深度的方差到正实数的映射(注意这里的深度都是逆深度，简单称呼成深度)

当一个新的图像(或者说新的观测)输入时，认为它与关键帧之间有个se(3)的变换关系，这个变换关系我们需要根据关键帧和当前图像的数据优化得到，优化方程为

这似乎看起来是比较抽象的几个方程，实际上可以简单地理解把r理解为图像误差，sigma理解为不确定度，w表示从图像向keyFrame的一个映射(先映射之后，发现可能对应点没有重合，出现误差),最后是误差的衡量边准，E是总的误差。
最后实际上我们就通过优化E，算出当前观测到的图像到关键帧的变换，从而得到当前的位置姿态信息

---

Depth Map Estimation

tracking成功之后，就进入深度估计过程，首先是判断，是不是新建关键帧，论文中如此写道：

If the camera moves too far away from the existing map, a new keyframe is created from the most recent tracked image.

就是说关键帧的创建是根据相机移动来判断的，如果相机移动了足够远，那么就重新创建一个关键帧，否则就refine当前的关键帧
事实上，这个过程有一整套很复杂的过程，在论文Semi-Dense Visual Odometry for a Monocular Camera