SVO主要參考兩篇博客：
SVO(Fast Semi-direct Monocular Visual Odometry)是一種半直接法的視覺里程計，主要有兩個部分，一個是跟蹤，一個是深度建圖。
SVO的跟蹤部分主要分爲3步：
1.sparse model-based image alignment
首先假設上一幀特徵點的深度已知，通過將k-1幀中的特徵點，反投影，再投影到當前第k幀中，通過最小化重投影光度誤差，利用高斯牛頓法優化得到
其中：
2. Relaxation Through Feature Alignment
由於通過上一步獲得的投影過來的方塊patch(4*4) 並不完全準確，所以將關鍵幀中的特徵patch，和上一步獲取的petch進行比較優化，優化當前幀的特徵位置，使其更加準確。其中要計算彷射變換
3.Pose and Structure Refinement
因爲第二步優化後的特徵位置與第一步預測到的特徵位置存在差異，所以需要重新構造優化函數。此時是將地圖中的3D點投影到當前幀，
1.先是隻優化當前幀相對於世界座標系的位姿(Motion-only BA)
2.之後再優化三維點的座標(x,y,z)(Structure-only BA),跟蹤過程就結束了。
SVO的建圖過程
1.深度濾波器簡介
SVO深度濾波是先在關鍵幀中創建一些seed點，之後用一系列幀，來求取指定幀上每個像素深度，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佈，有兩個屬性，一個是深度值服從高斯分佈，另一個是局外點的概率服從Beta分佈，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)，作爲種子（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，那麼再次提取新的像素點作爲種子。
2.詳細步驟：
2.1計算極線，首先初始深度爲當前場景的平均深度，當前幀的位姿通過跟蹤過程已知，所以可以計算出3D點在當前幀的極線。
2.2計算彷射矩陣，利用三點法計算兩時刻兩幀之間的彷射矩陣。目的是考慮到旋轉因素。
2.3極線搜索匹配：通過8*8的patch塊，兩個patch塊匹配的方式是ZMSSD(Zero mean Sum of Squared Differences )，類似於SSD( sum of squared difference)，當極線小於兩個像素的時候，直接用"第二步"feature alignment對齊，因爲此時不確定度很小。在SVO中，深度的不確定被認爲是，在匹配時，誤匹配一個像素所帶來的最大深度誤差。
2.4深度融合的具體過程，和卡爾曼濾波有些像但不是，同樣都是新的觀測到來，更新
