轉載 http://blog.csdn.NET/zhubaohua_bupt/article/details/74973347
1先說一下SVO大體內容
開源代碼：https://github.com/uzh-rpg/rpg_svo 。
1.1為什么叫半直接法？
我們知道，VSLAM有直接法和特征點法兩大類。直接法和特征點法，在幀間VO階段的不同在於，
直接法：提取梯度紋理特征明顯的像素，幀間VO是靠圖像對齊，即通過
最小化像素灰度差函數來優化幀間位姿。
特征點法：提取特征點（通常是角點），幀間VO靠PNP，即縮小在后幀圖像上，
重投影點與特征匹配點距離誤差，來優化幀間位姿。
而SVO是這樣干的：
提取稀疏特征點（類似特征點法），幀間VO用圖像對齊（類似於直接法），
SVO結合了直接法和特征點法，因此，稱它為半直接法。
1.2 SVO干了什么事?
SVO主要干了兩件事，
<1>跟蹤
<2>深度濾波
深度濾波是我們常說的建圖（Mapping）部分。
1.2.1跟蹤部分
跟蹤部分干的事情是：初始化位姿，估計和優化位姿(分別對應於幀間VO和局部地圖優化)。
初始化位姿：
用KLT光流法找匹配，然后恢復H矩陣。初始化思想是這樣的，
第一幀上提取的特征點，作為關鍵幀，后來的幀不斷用KLT與第一幀匹配，
直到匹配到的特征點平均視差比較大，就認為初始化成功，計算對應特征點的深度，
與此對應的幀作為第二幀。之后進入正常工作模式，即估計和優化位姿。
正常工作模式：
首先，通過和上一幀進行對齊，求取初始位姿；
然后，建立局部地圖，通過優化局部地圖和當前幀的投影灰度塊誤差，來優化當前位姿；
最后，判斷此幀是否是關鍵幀，如果為關鍵幀就提取新的特征點。
經過以上四個步驟，完成一幀的處理。如果在CMakeLists里打開了HAVE_G2O的選項，
代碼隔一段時間還會BA,不過非常慢。
1.2.2深度濾波部分
深度濾波部分主要任務是完成估計特征點的深度信息。
深度濾波和跟蹤部分相互依賴，因為深度濾波是以相機位姿已知為前提進行的，
而跟蹤部分又依靠深度濾波的結果（較准確的三維點），完成位姿的估計。
乍一看，這是個雞生蛋，蛋生雞的問題，既然兩者循環迭代，總得有個起始點。
其實，單目的slam在啟動時需要初始化，而這個初始化就提供粗糙的幀間位姿，
以便於深度濾波和跟蹤部分的迭代。
當深度可以用后（稱之為收斂），把它放入地圖里，用於跟蹤。
1.2.3為什么叫VO
這個得從SVO干的事來說，它既沒有閉環檢測，也沒有重定位（SVO的重定位太。。。），
它干的事只要是定位,比較符合視覺里程計(VO)的特點。
ORBSLAM算是目前性能最好的開源算法，這些功能它都有，因此算一個比較完整的VSLAM算法。
1.2.4 svo怎么樣
優點：是比較快，如果你跑代碼的時候發現很容易跟丟，可以修改這幾個配置參數：
quality_min_fts：匹配到的最小特征點。
quality_max_drop_fts：容許相鄰幀匹配到特征點的最大落差。
缺點：缺點是比較明顯的
和ORBSLAM相比。
<1>由於位姿的估計和優化全是靠灰度匹配，這就導致了系統對光照的魯棒性不足。
<2>對快速運動魯棒性性不足。直接法都似這個樣子。。可以加入IMU改善。
<3>沒有重定位和閉環檢測功能。
如果把此工程修改成RGBD的模式后，魯棒性和精度明顯提高，近似於ORBSLAM的RGBD模式。
[1]C. Forster, M. Pizzoli, and D. Scaramuzza, “SVO: Fast Semi-DirectMonocular Visual Odometry,” in Proc. IEEE Intl. Conf. on Robotics and Automation, 2014.
[2] MatiaPizzoli,Christian Forster, and Davide Scaramuzza. REMODE: Probabilistic,monocular densereconstruction in real time. In International Conference onRobotics andAutomation (ICRA), pages 2609–2616, Hong Kong,China, June 2014.