笔者出于基于特征点的SLAM无法构建出让人看得懂的点云地图转而研究基于直接法的SLAM。
DSO(Direct Sparse Odometry)是慕尼黑工业大学Engel于2016年发布在arXiv上的一种基于直接法,构建稀疏点云地图的视觉里程计。
采用direct和sparse相结合的原因:
- 直接法中并不要求点特征需要识别它自己,从而可以允许更精细的几何表示。
- 可以对所有像素点进行均匀采样,构建更完善的模型,在少纹理特征区域更具鲁棒性。
- 增加几何先验信息的缺点是引入了几何参数之间的关联,造成Hessian矩阵不稀疏,如下图所示。
- 当前得到的先验信息复杂度有限,尽管局部更精确,视觉效果更好,但是作者发现先验信息会引入一个bias,降低系统在长时间、大尺度工作时的精度。
与其他直接法的不同:
- 将光度模型、集合模型结合起来,对相机内参、相机姿态、像素点的深度等参数做联合估计;
- 由于引入了光度模型,算法忽略了其他直接法采用的对图像进行平滑的预处理,而是将相机看做一个传感器,对图像像素进行均匀采样,进行计算。
- 提出的模型集成了完整的光度校准,考虑了曝光时间、透镜渐晕和非线性相应函数。
- 通过实验验证,该算法在跟踪精度和鲁棒性方面性能超过了state-of-the-art的算法水平。
模型:
直接法对图像成像的过程进行了全面的建模,包含几何模型、光度模型。注意光度模型在直接法中很重要,直接法直接利用像素上的光强信息进行运算。而特征点法由于对光强改变有很好的鲁棒性,所以光度模型对基于特征点的SLAM系统用处不大。
几何相机标定(径向畸变在预处理时被矫正):
投影函数: ;
反投影函数:
光度相机标定:
非线性相应函数:
透镜衰减:
辐射度(irradiance&#x