轉載網址：https://blog.csdn.net/weixin_38203573/article/details/79787499
特征點法：
通過特征點匹配來跟蹤點，計算幾何關系得到R,t，BA來優化R，t，流程大致如下：
直接法：
直接法是從光流法演變而來的，是基於灰度不變假設，計算最小光度誤差來優化R,t，流程大致如下：
光流法：
基於灰度不變假設，把特征點法中的描述子和匹配換成了光流跟蹤，之后求解R，t的過程是一樣的，流程大致如下：
那么這三種方法的優缺點各是什么呢，近期在學了視覺slam后做了初步的總結，希望大家批評指正。
PS.大多數情況下一種方法的有點即使另外一種方法的缺點，所以在一下沒有提到的優缺點可以從其他方法的優缺點中獲取。
| 優點 |
運動過大時，只要匹配點還在像素內，則不太會引起無匹配，相對於直接法有更好的魯棒性。 |
只要關鍵點有梯度即可，可以在漸變的環境下工作 |
不需要計算描述子，不需要匹配特征點，節省了很多計算量。 |
| 不需要計算描述子，不需要匹配特征點，節省了很多計算量。 |
關鍵點提取的多少基本上都可以工作 |
||
| 可以籌建半稠密乃至稠密的地圖 |
從稀疏到稠密重構基本上都可以使用 |
||
| 稀疏的直接法可以做到非常快速的效果，適合real time和資源受限的場合 |
|||
| 缺點 |
特征過多或過少都無法正常工作 |
圖像無梯度，則對優化結果無貢獻，特別如自動駕駛時候的天空 |
基於灰度不變假設，容易受外界光照的影響。 |
| 只能用來構建稀疏地圖 |
基於灰度不變假設，容易受外界光照的影響。 |
相機發生大尺度移動或旋轉時無法很好的追蹤，非凸優化，容易局部極值。用尺度金字塔改善局部極值，組合光流法（增加旋轉描述）改善旋轉。 |
|
| 環境特征少，或者提不出角點（如：漸變色）都無法工作 |
相機發生大尺度移動或旋轉時無法很好的追蹤，非凸優化，容易局部極值。用尺度金字塔改善。 |
||
| 花很多時間在計算描述子和匹配上 |
單個像素沒有區分度，需要計算像素塊，結果只能少數服從多數。 |
||
| 容易受相機暗角影響 |
|||
| 提問 |
提取多少特征點算合適？（不多不少剛剛好？） |
計算出圖像的光流后可以直接推導出相機的運動嗎？ |
由於直接法是光流法的衍生，所以他們有很多的相似性。
有不正確的地方希望大家指出，謝謝！