信息矩阵

1. 协方差矩阵

在统计学中，方差是用来度量单个随机变量的离散程度，而协方差则一般用来刻画两个随机变量的相似程度. 其中，方差的计算公式为

                                                                                     

其中，n 表示样本量，符号  表示观测样本的均值。

在此基础上，协方差的计算公式被定义为   

 

在公式中，符号,   分别表示两个随机变量所对应的观测样本均值，据此，我们发现：方差 可视作随机变量  关于其自身的协方差  .

2. 信息矩阵和协方差矩阵

1：运动方程有协方差矩阵R，观测方程有协方差矩阵Q。它们表示的意义是，到当前时刻t为止，所有测量的样本的协方差矩阵，用来衡量本次测量的不确定性。

2：信息矩阵是协方差矩阵的逆，用来表示本次测量的可靠性，即不确定越小，则可靠性就越大。

3：因此，公式推导里出现的相邻两个状态之间的协方差矩阵，实际上是到当前状态为止，之前所有样本的协方差矩阵。也就是说协方差矩阵随着样本的增加在不断的更新。

3. 协方差矩阵和信息矩阵在SLAM中的应用

首先，ORB是没有尺度不变性的，opencv中和orbslam中都是通过建立图像金字塔，来实现特征点的尺度不变性。通过设置一个比例因子scaleFactor（opencv和orbslam设置的都是1.2）和金字塔的层数nlevels（opencv和orbslam设置的都是8），将原图像按比例因子缩放成nlevels幅图像，缩放后的图像为：I’= I/scaleFactor^k (k=1,2,…, nlevels)，nlevels幅不同比例的图像提取特征点总和作为当前帧的特征点。

那究竟什么是尺度不变性呢？

为了实现尺度不变性，需要给特征加上尺度因子。在进行特征描述的时候，将尺度统一就可以实现尺度不变性了。所谓的旋转不变性和尺度不变性的原理，就是我们在描述一个特征之前，将两张图像都变换到同一个方向和同一个尺度上，然后再在这个统一标准上来描述这个特征。从而实现了尺度不变性。

然后，贴一下论文中对信息矩阵的表述，也就是信息矩阵是协方差矩阵的逆：

通过看源代码能找到，论文里面的参数σ^2在程序里面对应的实际是mvLevelSigma2[i]，而σ对应的是mvScaleFactor[i]，代码如下：

for(int i=1; i<nlevels; i++)
{
            mvScaleFactor[i]=mvScaleFactor[i-1]*scaleFactor;
            mvLevelSigma2[i]=mvScaleFactor[i]*mvScaleFactor[i];
}

scaleFactor是尺度因子1.2，也就是第0层σ=1，第一层σ=1.2，第二层σ=1.2^2......，这样建立不同尺度下的图像，σ越大对应的尺度越大，现在的信息矩阵取的是σ^2的逆，也就是除以相应的尺度因子，将在不同层上提取的特征统一到原始尺度（第0层），这样计算出来的每个误差项才都对应统一的尺度，不然不同尺度上的误差怎么加到一起呢？

另外，因为是最小二乘计算误差，误差项取平方，所以误差项的权重（信息矩阵）也要对应σ的平方。

如有疑问,欢迎交流: wx: baobaohaha_ 欢迎对SLAM有兴趣的小伙伴一起交流学习~~

REF：

1. 如何直观理解协方差矩阵

2. 信息矩阵在SLAM图优化中的作用

3. OrbSLAM的Optimizer函数用到的信息矩阵如何理解

4. SLAM优化中信息矩阵

5. PCA中的协方差

6. 拓展学习： 高斯分布与边缘化