一步步解析SVO代码(一)---VO分类

正在读SVO代码，这里一边读一边记录。
因为SVO算法中对于位姿估计部分有较多的工作，所以首先学习一下准备知识，入门VO的分类，帮助理解SVO算法。

VO分类

如果泛泛来分，VO可以分为2类：特征点法和直接法，可以参考《十四讲》的分类方法；细分的话，可以把SVO算作第三类，但其实SVO可以算作直接法的特殊形式或者将特征点和直接法相结合的结果。这三种方法各有什么特点？如何区分？

我一直喜欢通俗的方式理解一件事情，公式的方式虽然也能说明问题，但不实战往往不能明白一个命题，尤其是对于VO，也是迷糊了很久。以下是我的理解：

特征点法：

它的步骤很确定，特征提取(包括角点+描述子)、特征匹配、剔除外点(RANSAC)、对极约束求变换矩阵(基础矩阵或单应矩阵)、分解得到R和t；

直接法：

稠密直接法

最原始的直接法，需要利用所有像素构造残差，残差是整个图像的光度误差，然后这个残差对位姿求导，这个时候就需要非线性最小二乘的算法求解，GN或LM等，涉及链式法则求导，经典的残差关于位姿的Jacobian( 2