轉載於http://blog.csdn.net/zhubaohua_bupt/article/details/74911000
3.1深度濾波簡介
SVO在建圖部分采用的是深度濾波器，論文中並沒有詳細的介紹。深度濾波在SVO作者寫的另一篇叫REMODE[1]的文章里，介紹了深度濾波的每一個步驟。REMODE[1]這篇文章講的是利用svo提供的位姿，進行三維重建，屬於漸進式三維重建。其過程和SVO深度濾波一樣，只不過在REMODE里，實現用GPU進行了加速處理。
SVO深度濾波是利用一系列的前后幀，完成對指定幀上像素深度的求取。用一些列幀，來求取指定幀上每個像素深度的原因是，在計算像素點深度時，單次匹配恢復的深度有誤差，需要依靠多次深度測量值的融合，來恢復誤差較小的深度值。SVO把像素的深度誤差模型看做概率分布，有兩個屬性，一個是深度值服從高斯分布，另一個是局外點的概率服從Beta分布，同時融合這兩種屬性。
SVO深度濾波對深度進行漸進式融合（動態融合）。其過程可表述如下：
關鍵幀上選取像素點(SVO是fast角點，REMODE是梯度點)，作為種子（seed，種子就是深度未收斂的像素點），每來一幀圖像，融合更新一下之前提取的種子，直至種子的深度收斂，這是個動態過程，類似於濾波，大概這就是叫深度濾波的原因吧。如果新的一幀是關鍵幀，那么再次提取新的像素點作為種子。
就這樣舊的種子不斷收斂，新的種子不斷增加，不斷進行下去。
下面來探討一下深度濾波的整個過程。
3.2 深度濾波分步驟詳細介紹
對於一個種子，其每一次深度濾波（也叫深度融合，利用新的一幀來更新種子的深度值），都行需要經以下過程。
3.2.1 計算極線
關於極線的基本知識，本文不做介紹。對於每個種子，在當前幀計算極線的條件是：
<1>已知種子所在幀與當前幀的相對位姿
<2>已知種子的初始深度
條件<1>的作用是用來做匹配，由VO提供。
條件<2>的作用是縮小找匹配的搜索量。當種子新提取時，這個時候還沒有深度值，用場景平均深度初始。
本文用z表示種子的深度，sigma2表示深度方差，sigma表示深度標准差。
極線的計算方法如下：
step1：
在深度延長線上，構造兩個三維點P1，P2，這兩個三維點來源同一個像素，唯一的不同就是深度，
分別為 P1(x,y，z- n*sigma)，P2(x,y，z+ n*sigma)，這里n可以調節，一般選擇n=1,2,3（3sigma原則）。
Step2：
將P1，P2利用幀間位姿，投影至當前幀，投影點為u1，u2，連接u1，u2就是我們所要計算的極線。
SVO工程里，實現在Matcher.cpp里的findEpipolarMatchDirect()函數里。
REMODE工程里，實現在epipolar.cpp seedEpipolarMatchKernel()函數里。
3.2.2 計算仿射矩陣
為什么要計算仿射矩陣？
我們知道，同一張圖像在經過旋轉平移后，同一個場景在圖像上的成像位置就發生了變換。
在像素做匹配時，我們需要用像素周圍的信息（一般是矩形窗口）來描述本像素的特征。
設想一下，如果幀間圖像發生了旋轉，我們還用同樣的窗口（當前幀的窗口坐標和種子所在幀窗口坐標一樣）
來描述搜索點，是不是不太合適？
如上圖，描述p的窗口w1在后幀上投影點為p’,我們在匹配p和p’時，是用藍色窗口來描述p’呢，還是用紅色窗口？
答案肯定是紅色窗口，那既然是紅窗口，紅色窗口怎么計算呢？
這就會用到仿射矩陣，SVO仿射矩陣是這樣的計算的。
計算窗口的思路是先利用三點法計算出tk和tn兩時刻圖像的仿射變換矩陣，
然后再把窗口w1里的像素坐標逐一映射到圖像tn里，這樣映射的所有坐標就組成了窗口w2。
實現代碼
3.2.3 搜索匹配
跟蹤部分的匹配，是靠特征對齊完成的，不需要極線搜索，這是因為在深度和位姿都比較准確的情況下，
用特征對齊可以完成匹配。
但是，深度估計卻不能這樣干，它需要極線搜索，因為深度未知或者深度不確定性太大。
SVO選用ZMSSD，通過8*8矩形patch來描述像素，用於計算種子和當前幀搜索點的相似性。
實際上，在svo搜索匹配過程中，當計算的極線小於兩個像素時，直接采用圖像對齊，
因為這個時候深度不確定較小（可以通過極線的計算方式想一下為什么）。
否則，沿極線以為一個像素為步進單位搜索匹配。代碼在findEpipolarMatchDirect（）里，
3.2.4三角測量恢復深度以及匹配不確定性的計算
經過搜索匹配后，能夠得到種子p以及種子p在當前幀上的匹配像素點p’，
通過三角測量，就可以恢復種字p的深度。
原理可以參考 http://blog.csdn.NET/zhubaohua_bupt/article/details/74926111
實現部分：
多次三角測量的深度是為了，融合得到種子較准確的深。那么既然有融合，不同測量值肯定有不同權重。
不確定性就是用來計算權重的。在SVO中，深度的不確定被認為是，
在匹配時，誤匹配一個像素所帶來的最大深度誤差。
其計算很簡單，可以直接看論文。
3.2.5 深度融合
SVO的融合是不斷利用最新時刻深度的觀測值，來融合上一時刻深度最優值，直至深度收斂。如下圖
深度數據具體融合過程的過程如下，
3.2.6 平滑去噪
這一步在SVO里沒有，在REMODE里，作者加上這一步驟，對深度圖有不錯的去噪平滑效果，如下圖。
這個就不細說了，因為這一步驟本身與SVO無關，有興趣的話可以看一下論文[1],作者通過構造一個能量函數，
然后迭代優化能量函數，當能量函數最小時，就完成平滑去噪。
至此，我們探討了SVO整個深度濾波。
REMODE論文：
[1] 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.