视觉SLAM第8讲LK光流法、正向加法、正向复合、反向复合法

论文参考
请先阅读《视觉SLAM十四讲》的第8讲lk光流部分，最好也读读论文，本文是对论文的简单提要，以及部分难点的自己给出来的解释。

LucasKanade的目标是将模板图像T（x）与输入图像I（x）对齐，其中x=（x；y）T是包含像素坐标的列向量。
W(x;p)在论文中表示某种对(x,y)坐标的变换，如这是普通的加法。
这是复合运算。

正向加法

损失函数

即对于T图像x位置的像素尽可能的用I图像W(x;p)的像素对应上（光流追踪）。
其他具体内容参考《视觉SLAM十四讲》

更新

△p可用高斯牛顿法算出。

正向复合法

损失函数与正向加法相同。

更新

拿最上面的复合运算的例子来说。

反向复合法

损失函数

对于I图像W(x;p)的像素尽可能的用T图像W(x;△p)位置（初值为W(x;0)，即从无变换原坐标x出发）的像素对应上，解这个最小二乘问题可以获得△p，我们不用来更新T中的W变换，以逆变换的形式作用到I图像的W变换中，这样迭代雅可比矩阵始终不变，每次更新后损失函数只有后面的I改变了，对雅可比矩阵无影响。

更新

这是论文给出的逆运算对应W(x;△p)的逆运算，对应6个值。
当p1=0,p2=0,p3=0,p4=0,保留p5,p6就变成了加法光流。
那么反向光流简化为了用x+p5-△p5,y+p6-△p6替换x+p5,y+p6（正向加法的反向法，注意计算雅可比用的T，逆变换更新在了I上）。