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 |