論特徵法與直接法
一、特徵法概述
特徵法通過特徵點匹配來追蹤點，利用幾何關係得到R、t，使用BA優化R、t，流程大致如下：
二、直接法概述
直接法從光流法演變而來，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：
三、特徵法與直接法的對比總結
直接法最大的貢獻在於，以更整體、更優雅的方式處理了數據關聯問題；特徵點法需要依賴重複性較強的特徵提取器，以及正確的特徵匹配，才能得正確地計算相機運動；而直接法，則並不要求一一對應的匹配，只要先前的點在當前圖像當中具有合理的投影殘差，我們就認爲這次投影是成功的。而成功與否，主要取決於我們對地圖點深度以及相機位姿的判斷，並不在於圖像局部看起來是什麼樣子。
| 分類 | 特徵法 | 直接法 |
|---|---|---|
| 簡介 | 特徵點匹配來追蹤點，利用幾何關係得到R、t，使用BA優化 | 基於灰度不變假設，計算最小光度誤差來優化R、t |
| 優勢 | 1. 匹配點在像素內即可匹配，運動劇烈時魯棒性強 | 1.關鍵點有梯度即可，可在漸變環境下工作 2.無需計算描述子和匹配特徵點，省時，可移植到嵌入式系統及與IMU融合 3.可構建半稠密/稠密地圖 4.稀疏直接法速度很快，可實時運行 5.使用的是像素梯度而不必是角點，可以在特徵缺失的場合使用 |
| 劣勢 | 1.特徵點過多過少都無法工作 2.只能構建稀疏圖 3.環境特徵少或無法提出角點（漸變色）無法工作 4計算描述子和匹配耗時 |
1.圖像無梯度則對優化結果無貢獻 2.基於灰度不變假設，易受外鍵光照影響 3.運動劇烈時無法追蹤點；非凸優化，易局部極值，需要好的初始估計，圖像質量要求高，用尺度金字塔改善。 4.單個像素無區分度，需計算像素塊，結果只能少數服從多數，數量代替質量 5.易受相機暗角影響 6.難以實現地圖複用、迴環檢測、丟失後的重定位等 |
| 數據關聯 | 數據關聯與位姿估計是解耦的。位姿不確定時僅利用圖像信息處理數據關聯問題 | 數據關聯與位姿估計是耦合的。整體性地處理關聯數據 |
| 適用場景 | 1.只構建稀疏地圖 2.運動劇烈的場景 3.需要回環檢測和重定位 |
1.特徵缺失的場合（環境中存在許多重複紋理或是缺乏角點，但出現許多邊緣或光線變量不明顯區域） 2.需要稠密或半稠密的地圖重建 3.漸變環境 4.實時和資源受限場合，嵌入式系統 5.與 IMU 融合 6.求解連續圖像的定位 |