Inverse Depth Parametrization

1.论文

.　　特征深度估计中，像太阳和云一样的特征和其他非常远的东西将具有inf的距离估计。这可能会导致很多问题，为了解决它，估计距离的倒数，所有inf都变为零，这往往会导致更少的问题。
　　论文1：Unified Inverse Depth Parametrization for Monocular SLAM.(Robotics: Science and Systems 2006;Philadelphia, PA, USA, August 16-19, 2006); 论文2：SLAM_ Inverse Depth Parametrization for Monocular SALM.(IEEE TRANSACTIONS ON ROBOTICS, VOL. 24, NO. 5, OCTOBER 2008).
　　论文2对远点采用一种逆深度参数化的方式，并且得到经验性数据，一般不超过基线距40倍的深度可以被有效参数化，并用来计算相机旋转，位移和尺度；超过40倍baseline的为远点，可以提供旋转信息，但是位移和尺度信息比较弱，其需要在多个视图的支持下进行三角化。

2.逆深度参数化

We show that once the depth estimate of a feature is sufficiently accurate, its representation can safely be converted to the Euclidean XYZ form, and propose a linearity index that allows automatic detection and conversion to maintain maximum efficiency—only low parallax features need be maintained in inverse depth form for long periods.
当特征的深度估计足够准确，其表示可以转换为欧几里德XYZ形式。

详细推导没看，见论文。 有两个疑问：
　　1.普通的单目相机或RGB-D相机如何求取${\theta }_i$与${\varphi }_i$?
　　2.只是将${\rho }_i$ 进行优化后，如何结合优化后的${\rho }_i$ 与未优化的 $x_i=(X_i,Y_i,Z_i{)}^T$ 恢复得到优化后的 $x_i=(X_i,Y_i,Z_i{)}^T$ ?
　　更.

坐标系回顾

.　　逆深度参数是一个六维变量，假设目标上第i个特征点的逆深度参数表示为：$${y_i}^w=(x_i,y_i,z_i,{\theta }_i,{\varphi }_i,{\rho }_i{)}^T$$ 　　$(x_i,y_i,z_i{)}^T$表示视觉相机在世界坐标系下的位置，${\theta }_i$与${\varphi }_i$分别表示目标特征$P_i$在世界坐标下，视觉相机光心与特征点连线相对于光轴方向的方位角和高低角。该点在欧氏空间中的表示向量为:$${x_i}^w=(X_i,Y_i,Z_i{)}^T$$

.　　在第一次检测到新特征时，视觉相机在世界坐标系下的坐标为$(x_i,y_i,z_i{)}^T$，目标点$P_i$在图像坐标系下的坐标为 $(u,v,1{)}^T$，由小孔成像模型得，其在世界坐标系下的表达式为:$$p^w=({p_x}^w,{p_y}^w,{p_z}^w{)}^T=R^{WC}K(u,v,1{)}^T$$　　其中，$R^{WC}$表示从视觉相机坐标系到世界坐标系的旋转矩阵，K表示相机内参。所以，目标点$P_i$在世界坐标系下的方位角和高低角分别为：
$${\theta }_i=arctan({p_x}^w/{p_z}^w)$$$${\varphi }_i=arctan(-{p_y}^w/\sqrt{{(p_x}^w{)}^2+{(p_z}^w{)}^2})$$　　目标点$P_i$的深度为$d=1/\rho$，则该点在世界坐标系下的欧氏坐标为(m为以${\theta }_i$和${\varphi }_i$表示的单位方向向量)：

3.测量模型