SVO（SVO: fast semi-direct monocular visual odometry）
SVO（SVO: fast semi-direct monocular visual odometry）翻譯
文章目錄
- SVO（SVO: fast semi-direct monocular visual odometry）翻譯
- 1、介紹
- 2、系統(tǒng)概述
- 3、符號(hào)
- 4、運(yùn)動(dòng)估計(jì)
- 4.1、 基于稀疏模型的圖像對(duì)齊
- 4.2、 通過(guò)特征對(duì)齊松弛
- 4.3、 姿態(tài)和結(jié)構(gòu)優(yōu)化
- 4.4、 討論
- 5、建圖
- 6、 實(shí)施細(xì)節(jié)
- 7、實(shí)驗(yàn)結(jié)果
- 8、結(jié)論
1、介紹
摘要——半直接法消除了運(yùn)動(dòng)估計(jì)中昂貴的特征提取和匹配技術(shù)的需要，直接在像素級(jí)上操作，做到了在高幀率下的亞像素精度（subpixel precision），采用概率建圖（probabilistic mapping）方法對(duì)異常測(cè)量值進(jìn)行顯式建模，從而得到較少的異常值和更可靠的點(diǎn)。精確的高幀率運(yùn)動(dòng)估計(jì)在紋理較少、重復(fù)性和高頻的場(chǎng)景中具有更強(qiáng)的魯棒性。該算法應(yīng)用于GPS無(wú)效環(huán)境下的無(wú)人機(jī)狀態(tài)估計(jì)，在嵌入式計(jì)算機(jī)上以每秒55幀的速度運(yùn)行，在消費(fèi)型筆記本電腦上以每秒300幀以上的速度運(yùn)行。我們將我們的方法稱為SVO（半直接視覺(jué)里程計(jì)）。它將基于特征的方法（跟蹤多個(gè)特征、并行跟蹤和建圖、關(guān)鍵幀選擇）的成功因素與直接方法的精度和速度相結(jié)合。無(wú)人機(jī)的高幀率VO有望提高魯棒性和更快的飛行操縱
A、 視覺(jué)運(yùn)動(dòng)估計(jì)方法的分類
同時(shí)從視頻中恢復(fù)攝像機(jī)姿勢(shì)和場(chǎng)景結(jié)構(gòu)的方法可以分為兩類：
a） 基于特征的方法：標(biāo)準(zhǔn)的方法是在每個(gè)圖像中提取一組稀疏的顯著的圖像特征（例如點(diǎn)、線）；使用不變的特征描述子在連續(xù)的幀中進(jìn)行匹配；使用對(duì)極幾何魯棒地恢復(fù)相機(jī)的運(yùn)動(dòng)和結(jié)構(gòu)；最后，通過(guò)最小化重投影誤差來(lái)優(yōu)化位姿和結(jié)構(gòu)。
基于特征的方法的缺點(diǎn)是依賴于檢測(cè)和匹配閾值，必須使用魯棒估計(jì)技術(shù)來(lái)處理錯(cuò)誤的特征匹配關(guān)系，而且大多數(shù)特征檢測(cè)都是針對(duì)速度而不是精度進(jìn)行優(yōu)化的，因此，運(yùn)動(dòng)估計(jì)中的漂移必須通過(guò)對(duì)多個(gè)特征測(cè)量進(jìn)行平均來(lái)補(bǔ)償。
b） 直接法：直接從圖像中的強(qiáng)度值（單通道圖像像素值的大小）估計(jì)結(jié)構(gòu)和運(yùn)動(dòng)。利用圖像中的所有信息的直接方法，即使是來(lái)自梯度很小的區(qū)域，在紋理很少的場(chǎng)景中，或者在相機(jī)無(wú)法聚焦和運(yùn)動(dòng)模糊[15]的情況下，在魯棒性方面優(yōu)于基于特征的方法[14]。光度誤差的計(jì)算比重投影誤差更為密集，因?yàn)樗婕暗酱髨D像區(qū)域的圖像扭曲和積分（warping and integrating）。然而，由于直接方法直接對(duì)圖像的強(qiáng)度值進(jìn)行操作，因此可以節(jié)省特征檢測(cè)和不變描述子計(jì)算的時(shí)間。
B、 相關(guān)工作
大多數(shù)用于無(wú)人機(jī)[1]、[2]、[7]的單目VO算法都依賴于PTAM[16]。PTAM是一種基于特征的SLAM算法，它通過(guò)跟蹤和建圖許多（數(shù)百）個(gè)特征來(lái)實(shí)現(xiàn)魯棒性。同時(shí)，它通過(guò)并行化運(yùn)動(dòng)估計(jì)和建圖任務(wù)并依靠高效的基于關(guān)鍵幀的光束平差（BA）[17]來(lái)實(shí)時(shí)運(yùn)行。然而，PTAM是為小型桌面場(chǎng)景中的增強(qiáng)現(xiàn)實(shí)應(yīng)用而設(shè)計(jì)的，需要進(jìn)行多次修改（例如，限制關(guān)鍵幀的數(shù)量）以允許在大型室外環(huán)境中操作[2]。
早期的直接單目SLAM方法跟蹤和建圖少部分，有時(shí)需要手動(dòng)選擇平面片[18]–[21]。第一個(gè)方法[18]，[19]是使用濾波算法來(lái)估計(jì)結(jié)構(gòu)和運(yùn)動(dòng)的，之后的方法[20] –[22]采用非線性最小二乘法優(yōu)化。所有這些方法都可以估計(jì)面片的法線，從而可以在很大的視點(diǎn)范圍內(nèi)跟蹤一個(gè)面片，從而大大減少了估計(jì)中的漂移。然而，[19]-[21]的作者報(bào)告了實(shí)時(shí)性能，只能做到少數(shù)選定的平面區(qū)域和小數(shù)據(jù)集。文獻(xiàn)[22]提出了一種適用于車載全向攝像機(jī)的VO算法。在文獻(xiàn)[8]中，放寬了局部平面性假設(shè)，提出了基于立體攝像機(jī)計(jì)算任意三維結(jié)構(gòu)的直接跟蹤方法。在[9]-[11]中，同樣的方法也適用于RGB-D傳感器。在DTAM[15]中，引入了一種新的直接方法，該方法通過(guò)最小化全局空間正則化能量泛函來(lái)計(jì)算每個(gè)關(guān)鍵幀的密集深度建圖。通過(guò)攝像機(jī)的直接定位，找到了整個(gè)深度圖。這種方法計(jì)算量非常大，而且只有通過(guò)大量的GPU并行處理才能實(shí)現(xiàn)。為了減少計(jì)算需求，在本文回顧過(guò)程中發(fā)表的文獻(xiàn)[23]中描述的方法只使用具有強(qiáng)梯度特征的像素。
C、 稿件及提綱
為了減少計(jì)算需求，只使用具有強(qiáng)烈梯度特征的像素。
提出的半直接視覺(jué)里程計(jì)（SVO）算法進(jìn)行特征匹配，但是特征匹配是直接運(yùn)動(dòng)估計(jì)的隱式結(jié)果，而不是顯式特征提取和匹配的結(jié)果。因此，只有當(dāng)選擇一個(gè)關(guān)鍵幀來(lái)初始化新的3D點(diǎn)時(shí)，才需要特征提取（見(jiàn)圖1）。
與以前的直接方法不同，我們使用了許多（數(shù)百）個(gè)小面片，而不是幾個(gè)（幾十個(gè)）大的平面片[18]–[21]。使用許多小面片可以提高魯棒性，并允許忽略面片法線。
本文提出的基于稀疏模型的運(yùn)動(dòng)估計(jì)圖像對(duì)齊算法與基于模型的稠密圖像對(duì)齊相關(guān)[8]–[10]。我們證明了稀疏的深度信息足以得到運(yùn)動(dòng)的粗略估計(jì)和特征匹配。一旦建立了特征匹配和攝像機(jī)姿態(tài)的初始估計(jì)，該算法將繼續(xù)只使用點(diǎn)特征；因此，命名為“半直接”。這種轉(zhuǎn)換使我們可以依賴于快速和成熟的框架來(lái)進(jìn)行光束平差（例如，[25]）。
用一個(gè)貝葉斯濾波器顯式地建模異常測(cè)量值，來(lái)估計(jì)特征位置的深度值。只有當(dāng)相應(yīng)的深度過(guò)濾器已收斂時(shí)，才會(huì)在地圖中插入三維點(diǎn)，這需要多次測(cè)量。可以可靠地跟蹤一些異常點(diǎn)的結(jié)果。
本文的主要貢獻(xiàn)是：（1）一種比現(xiàn)有的無(wú)人機(jī)系統(tǒng)更快、更精確的半直接VO管道；（2）集成了一種對(duì)異常測(cè)量具有魯棒性的概率建圖方法。
2、系統(tǒng)概述
運(yùn)動(dòng)估計(jì)線程
第一步是通過(guò)基于稀疏模型的圖像對(duì)齊來(lái)初始化位姿：通過(guò)最小化相同3D點(diǎn)的投影位置相匹配的像素之間的光度誤差來(lái)找到相對(duì)于前一幀的相機(jī)姿勢(shì)（見(jiàn)圖2）。
圖2：改變當(dāng)前幀和前一幀之間的相對(duì)姿勢(shì)Tk，k?1隱式地移動(dòng)新圖像u′i中重投影點(diǎn)的位置。稀疏圖像對(duì)齊找到Tk，k?1，將匹配于同一3D點(diǎn)（藍(lán)色方塊）的圖像面片之間的光度差減到最小。注意，在所有圖中，要優(yōu)化的參數(shù)用紅色表示，優(yōu)化成本用藍(lán)色顯示。
在下一步中，通過(guò)對(duì)齊相應(yīng)的特征面片（參見(jiàn)圖3），可以細(xì)化與重投影點(diǎn)相匹配的二維坐標(biāo)。運(yùn)動(dòng)估計(jì)是通過(guò)優(yōu)化位姿和結(jié)構(gòu)來(lái)完成的，即通過(guò)最小化前一個(gè)特征對(duì)齊步驟中引入的重投影誤差來(lái)完成的。
圖3：由于3D點(diǎn)和相機(jī)姿勢(shì)估計(jì)的不精確性，通過(guò)單獨(dú)優(yōu)化每個(gè)面片的2D位置，可以進(jìn)一步最小化當(dāng)前幀中的相應(yīng)面片（藍(lán)色方塊）與先前關(guān)鍵幀ri之間的光度誤差。
建圖線程
為每個(gè)2D特征初始化一個(gè)概率深度濾波器，其匹配的3D點(diǎn)將被估計(jì)。每當(dāng)新的關(guān)鍵幀從圖像區(qū)域中挑選出來(lái)，只要有很少的3D到2D匹配關(guān)系被找到，新的深度濾波器就會(huì)被初始化。始化時(shí)深度有很大的不確定性。在隨后的每一幀，深度估計(jì)都會(huì)以貝葉斯方式更新（見(jiàn)圖5）。當(dāng)深度濾波器的不確定性變得足夠小時(shí)，一個(gè)新的3D點(diǎn)被插入地圖，并立即用于運(yùn)動(dòng)估計(jì)。
圖5：參考幀r中特征i的概率深度估計(jì)?di。真實(shí)深度處的點(diǎn)投影到兩個(gè)圖像中相似的圖像區(qū)域（藍(lán)色方塊）。因此，根據(jù)與參考面片相關(guān)度最高的點(diǎn)u′i計(jì)算的三角化深度~dk i更新深度估計(jì)值。在新圖像中，相關(guān)性最高的點(diǎn)總是位于極線上。
3、符號(hào)
4、運(yùn)動(dòng)估計(jì)
4.1、 基于稀疏模型的圖像對(duì)齊
SVO使用直接法，通過(guò)計(jì)算相機(jī)運(yùn)動(dòng)和特征匹配的初步猜測(cè)，并以基于特征的非線性重投影誤差優(yōu)化為結(jié)論。
以下各節(jié)詳細(xì)說(shuō)明了每個(gè)步驟，并在圖2至圖4中進(jìn)行了說(shuō)明。
4.2、 通過(guò)特征對(duì)齊松弛
4.3、 姿態(tài)和結(jié)構(gòu)優(yōu)化
4.4、 討論
算法的第一個(gè)（第四-A節(jié)）和最后一個(gè)（第四-C節(jié)）優(yōu)化似乎是多余的，因?yàn)檫@兩個(gè)都優(yōu)化了相機(jī)的6自由度位姿。實(shí)際上，我們可以直接從第二步開(kāi)始，通過(guò)Lucas Kanade跟蹤所有特征面片[27]來(lái)建立特征匹配關(guān)系，然后進(jìn)行非線性位姿優(yōu)化（第四-C節(jié)）。雖然這樣可以工作，但處理時(shí)間會(huì)更長(zhǎng)。在大距離（例如，30像素）上跟蹤所有特征需要更大的面片和金字塔實(shí)現(xiàn)。此外，有些特征可能會(huì)被錯(cuò)誤地跟蹤，這就需要異常值檢測(cè)。然而，在SVO中，在稀疏圖像對(duì)齊步驟中，只需優(yōu)化攝像機(jī)姿態(tài)的六個(gè)參數(shù)即可有效地初始化特征對(duì)齊。在稀疏圖像對(duì)齊步驟隱式地滿足了對(duì)極約束，并確保沒(méi)有異常值。
也有人認(rèn)為第一步（稀疏圖像對(duì)齊）足以估計(jì)攝像機(jī)運(yùn)動(dòng)。在事實(shí)上，這就是最近為RGB-D相機(jī)開(kāi)發(fā)的算法所做的[10]，然而，通過(guò)對(duì)齊全部深度地圖而不是稀疏的面片。我們從經(jīng)驗(yàn)上發(fā)現(xiàn)，與同時(shí)使用所有三個(gè)步驟相比，使用第一步只會(huì)導(dǎo)致更多的漂移。改進(jìn)的精度是由于新圖像相對(duì)于關(guān)鍵幀和地圖進(jìn)行對(duì)齊，而稀疏圖像對(duì)齊僅將新幀與前一幀對(duì)齊。
5、建圖
[28]中詳細(xì)描述了該模型的遞歸貝葉斯更新步驟。與[28]相比，我們使用逆深度坐標(biāo)來(lái)處理大場(chǎng)景深度。
當(dāng)只搜索極線上當(dāng)前深度估計(jì)值周圍的小范圍時(shí)，所提出的深度估計(jì)值是非常有效的；在我們的情況下，該范圍相當(dāng)于當(dāng)前深度估計(jì)值標(biāo)準(zhǔn)差的兩倍。圖6展示了如何減少深度的不確定性所需的運(yùn)動(dòng)量。與標(biāo)準(zhǔn)的兩視圖三角測(cè)量方法相比，本文提出的方法的主要優(yōu)點(diǎn)是，每個(gè)濾波器經(jīng)過(guò)多次測(cè)量直到收斂，這樣觀察到的異常值要少得多。此外，錯(cuò)誤的測(cè)量被顯式地建模，這使得深度即使在高度相似的環(huán)境中也能收斂。在[29]中，我們演示了如何將相同的方法用于稠密建圖。
圖6：為了使深度濾波器（如紅線所示）的不確定性收斂，無(wú)人機(jī)（從頂部看）只需要很少的運(yùn)動(dòng)。
6、 實(shí)施細(xì)節(jié)
該算法通過(guò)引導(dǎo)（bootstrapped）得到前兩個(gè)關(guān)鍵幀的位姿和初始地圖。和[16]一樣，我們假設(shè)一個(gè)局部平面場(chǎng)景并估計(jì)一個(gè)單應(yīng)矩陣。初始地圖是從前兩個(gè)視圖三角化的。
為了處理更大的運(yùn)動(dòng)，我們采用了由粗到細(xì)的稀疏圖像對(duì)齊算法。對(duì)圖像進(jìn)行半采樣以創(chuàng)建五個(gè)級(jí)別的圖像金字塔。然后在最粗級(jí)別上優(yōu)化強(qiáng)度殘差，直到收斂。隨后，在下一個(gè)更精細(xì)的級(jí)別初始化優(yōu)化。為了節(jié)省處理時(shí)間，我們?cè)诘谌?jí)收斂后停止，此時(shí)估計(jì)值足夠精確，可以初始化特征對(duì)齊。
為了提高效率，該算法在地圖中保持固定數(shù)量的關(guān)鍵幀，這些關(guān)鍵幀被用作特征對(duì)齊和結(jié)構(gòu)細(xì)化的參考。如果新幀相對(duì)于所有關(guān)鍵幀的歐式距離超過(guò)平均場(chǎng)景深度的12%，就被選為關(guān)鍵幀。在地圖中插入新的關(guān)鍵幀時(shí)，將移除距離相機(jī)當(dāng)前位置最遠(yuǎn)的關(guān)鍵幀。
在建圖線程中，我們將圖像分成固定大小的單元（30×30像素）。除非已經(jīng)存在二維到三維的匹配關(guān)系，否則就在單元中具有最高Shi-Tomasi分?jǐn)?shù)的快速角點(diǎn)[30]處初始化一個(gè)新的深度濾波器。這將導(dǎo)致圖像中的特征均勻分布。相同的網(wǎng)格也用于在特征對(duì)齊之前重投影地圖。請(qǐng)注意，我們?cè)趫D像金字塔的每個(gè)級(jí)別提取快速角點(diǎn)，以找到與比例無(wú)關(guān)的最佳角點(diǎn)。
7、實(shí)驗(yàn)結(jié)果
實(shí)驗(yàn)是在一個(gè)向下看的相機(jī)上記錄的數(shù)據(jù)集和一個(gè)手持相機(jī)的序列上進(jìn)行的。視頻在筆記本和安裝在無(wú)人機(jī)上的嵌入式平臺(tái)上處理（參見(jiàn)圖17）。注意，算法最多使用2個(gè)CPU內(nèi)核。在消費(fèi)者筆記本電腦上進(jìn)行的實(shí)驗(yàn)有兩個(gè)不同的參數(shù)設(shè)置，一個(gè)優(yōu)化速度，一個(gè)優(yōu)化精度（表一）。在嵌入式平臺(tái)上，只用到了速度參數(shù)。
圖17:KMel機(jī)器人公司的“Nano+”，定制嵌入式處理器和向下看的攝像頭。SVO在平臺(tái)上以每秒55幀的速度運(yùn)行，用于穩(wěn)定和控制。
表一：SVO的兩種不同參數(shù)設(shè)置。
比較了SVO算法與文獻(xiàn)[2]中改進(jìn)的PTAM算法的性能。我們沒(méi)有與原始版本的PTAM[16]進(jìn)行比較的原因是它不能處理大環(huán)境，并且在高頻紋理的場(chǎng)景中不夠健壯[2]。文獻(xiàn)[2]的版本解決了這些問(wèn)題，并就我們所知構(gòu)成了無(wú)人機(jī)中性能最好的單目SLAM算法。
A、精確度
我們對(duì)同樣在[2]中使用過(guò)的數(shù)據(jù)集進(jìn)行精度評(píng)估，如圖7所示。真實(shí)地面（ground-truth）來(lái)源于一個(gè)運(yùn)動(dòng)捕捉系統(tǒng)。飛行軌跡長(zhǎng)84米，無(wú)人機(jī)飛行平均離地高度1.2米。
圖7:快速參數(shù)設(shè)置的SVO（見(jiàn)表一）與PTAM和真實(shí)地面對(duì)比。放大顯示，該算法生成的軌跡比PTAM平滑。
圖8和圖9說(shuō)明了隨時(shí)間變化的位置和姿態(tài)誤差。為了生成平面圖，我們使用[31]將前10幀與實(shí)際情況對(duì)齊。PTAM的結(jié)果與文獻(xiàn)[2]中報(bào)告的范圍相似。由于平面圖高度依賴于前10幀的對(duì)準(zhǔn)精度，我們還報(bào)告了以米每秒為單位的偏移表II。
表二：圖7中軌跡的相對(duì)位姿和旋轉(zhuǎn)誤差
圖8:SVO的位置漂移，用快速和精確參數(shù)設(shè)置，并與PTAM進(jìn)行比較。
圖9:SVO的Attitutde漂移，用快速和精確參數(shù)設(shè)置，并與PTAM進(jìn)行比較。
總的來(lái)說(shuō)，兩個(gè)版本的SVO都比PTAM更精確。我們懷疑這一結(jié)果的主要原因是[2]的PTAM版本沒(méi)有在最高分辨率的金字塔級(jí)別上提取特征，并且沒(méi)有對(duì)PTAM中的所有特征進(jìn)行亞像素細(xì)化。忽略最高分辨率的圖像不可避免地會(huì)導(dǎo)致精度降低，這在圖7中清晰可見(jiàn)。在文獻(xiàn)[2]中，低分辨率圖像的使用是因?yàn)閳D像中的高頻自相似紋理會(huì)產(chǎn)生太多的異常3D點(diǎn)。SVO有效地解決了這一問(wèn)題，通過(guò)使用深度濾波器可以得到很少的異常值。
由于相機(jī)只是一個(gè)角度傳感器，所以不可能通過(guò)運(yùn)動(dòng)管道（pipeline）從結(jié)構(gòu)中獲取地圖的比例。因此，在上述評(píng)估中，我們還將前10次測(cè)量的比例與地面真實(shí)情況相一致。建議的管道傳播比例，但是有一些漂移，如圖10所示。尺度漂移是通過(guò)比較相對(duì)平移的歐幾里德范數(shù)與實(shí)際情況來(lái)計(jì)算的。未知的尺度和尺度漂移促使人們需要一個(gè)用于無(wú)人機(jī)控制的相機(jī)IMU狀態(tài)估計(jì)系統(tǒng)，如[33]所述。
圖10：圖7所示軌跡隨時(shí)間的漂移
圖11顯示了平均重投影誤差。稀疏圖像對(duì)齊步驟使幀非常接近最終位姿，因?yàn)榧?xì)化步驟僅略微減少了誤差。重投影誤差是在特征對(duì)齊步驟中“生成”的；因此，該圖還顯示在該步驟中，面片僅移動(dòng)一小部分的像素。
圖11：圖7所示軌跡隨時(shí)間的平均重投影誤差。初始誤差是在稀疏圖像對(duì)齊（第四-A節(jié)）之后，最終誤差是在位姿優(yōu)化之后（第四-C節(jié)）。
快速和精確參數(shù)設(shè)置之間的精度差異不顯著。在每次迭代（快速參數(shù)設(shè)置）中分別優(yōu)化位姿和觀察到的3D點(diǎn)，對(duì)于無(wú)人機(jī)運(yùn)動(dòng)估計(jì)而言足夠精確。
B、運(yùn)行時(shí)間評(píng)估
圖13和圖14顯示了在快速參數(shù)設(shè)置下，分別在指定的筆記本電腦和嵌入式平臺(tái)上計(jì)算相機(jī)運(yùn)動(dòng)所需的時(shí)間。筆記本電腦能夠以每秒300幀（fps）的速度處理，嵌入式平臺(tái)的處理速度為每秒55幀。PTAM對(duì)應(yīng)的時(shí)間分別為91 fps和27 fps。主要的區(qū)別是SVO不需要在運(yùn)動(dòng)估計(jì)過(guò)程中提取特征，而是PTAM的主要耗時(shí)（筆記本電腦為7ms，嵌入式計(jì)算機(jī)為16ms）。此外，PTAM跟蹤160到220個(gè)特征，而在快速參數(shù)設(shè)置中，該值被限制為120。我們能用較少的特征可靠地跟蹤相機(jī)的原因是使用了深度濾波器，從而確保跟蹤到的特征是有效的。在筆記本電腦上，精確參數(shù)設(shè)置的運(yùn)動(dòng)估計(jì)平均需要6毫秒。時(shí)間的增加主要是由于局部BA，它在每個(gè)關(guān)鍵幀處運(yùn)行，耗時(shí)14ms，建圖線程用新幀更新所有深度濾波器所需的時(shí)間高度依賴于濾波器的數(shù)量。在選定關(guān)鍵幀后，濾波器的數(shù)量很高，并且隨著濾波器的收斂（converge）而迅速減少。平均而言，建圖線程比運(yùn)動(dòng)估計(jì)線程快，因此它不是限制因素。
C、穩(wěn)健性
SVO的速度和精度部分歸功于深度濾波器，它只產(chǎn)生最少數(shù)量的異常點(diǎn)。另外，健壯性也是由于深度濾波器：精確、高幀率跟蹤允許濾波器即使在重復(fù)和高頻紋理的場(chǎng)景（如瀝青、草地）中也能收斂，這在本文隨附的視頻中得到了最好的演示。視頻的屏幕截圖如圖15所示。圖16顯示了在同一場(chǎng)景中使用PTAM和SVO生成的建圖的比較。雖然PTAM生成異常3D點(diǎn)，相比之下，SVO幾乎沒(méi)有異常點(diǎn)，這要?dú)w功于深度濾波器的使用。
8、結(jié)論
在本文中，我們提出了半直接VO管道（pipeline）“SVO”，它比現(xiàn)有的VO更加精確和快速。速度的提高是由于運(yùn)動(dòng)估計(jì)不需要特征提取和匹配。取而代之的是一種直接的方法，它直接基于圖像的強(qiáng)度。該算法在當(dāng)前的嵌入式計(jì)算機(jī)上以每秒50幀以上的速度運(yùn)行，特別適用于無(wú)人機(jī)的狀態(tài)估計(jì)。高幀速率運(yùn)動(dòng)估計(jì)結(jié)合抗異常點(diǎn)的概率建圖方法，在紋理較少、重復(fù)和高頻的場(chǎng)景中提高了魯棒性。
總結(jié)
以上是生活随笔為你收集整理的SVO（SVO: fast semi-direct monocular visual odometry）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： 三维重建【四】-------------
- 下一篇： 狗狗驱虫一次多少钱