DSO算法初探

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：

1. 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。
2. 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。
3. 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。
4. 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