直接法视觉SLAM的光照变化鲁棒性。
摘要：
直接视觉里程计和SLAM通过直接对齐图像来确定相机位姿，基于LK光流法优化光度误差。大量的工作中在误差公式中使用了亮度恒定假设，因此无法处理显著地光照变化。这种光照变化尤其在SLAM中闭环部分容易发生。本文对一些具有实时能力的方法进行系统评估，评估其分别在里程计和闭环的应用场景下精度和鲁棒性，使用的数据集包括真实的图像和具有模拟光照变化的合成图像。结论是：对于真实图像，基于Census的方法优于其他方法。
主要贡献：
对快速的、光照变化鲁邦的直接位姿估计追踪算法进行了详细的估计。
评估结果：
1、算法选择
基本的直接法使用了光照一致性假设（BCA），在此基础上选择了变体，包括全局光照变化模型、图像梯度表示局部光照变化、基于块的方法。
使用全局光照变化模型：全局均值偏置归一化（GMedian），该方法是在优化前使用残差的均值进行全局亮度偏置的归一化；全局仿射模型(GAffine)，该方法将待对齐的两幅图像之一的亮度用仿射变化函数转化为全局的光照变化；
零均值归一化的互相关(ZNCC)，该方法是对仿射亮度变化具有不变性的相关性度量；互信息(MI)，互信息是两个随机变量依赖性的度量。
基于图像梯度的方法有：梯度幅值(GradM)，与对齐原始图像亮度不同的是，这种方法对齐图像梯度的幅值，因此对局部的光照变化具有不变性；梯度(Grad)，该方法是直接将梯度以向量形式进行匹配；局部均值偏置归一化(LMean)，该方法通过减去某一像素周围一小块的均值来归一化该像素的强度。
基于块的方法有：描述符域(DF)，描述符定义为图像的一系列卷积操作；Census变换(Census)，Census变换在立体深度估计中很流行，它能够对所有的亮度变换保持不变性，并且保持亮度顺序，但是相对可能会损失些精度。
2、数据集
TUM RGB-D、基于ICL-NUIM的合成序列以及1代Kinect采集的真实数据。
结论：
BCA在小的、瞬间的光照变化下都失败了。GAffine只展现了一部分对全局变化的鲁棒性，MI表现不佳，所有基于梯度的方法都类似。
GradM方法在视觉里程计的准确率评估中表现良好，速度也很快。但是对于光照变化剧烈的真实世界数据集，Census方法给出最准确的结果。对于闭环，SIFT描述子匹配相对于直接法能够有更大的位姿变换，但是后者有更高的准确度。这意味着需要先用特征匹配随后使用直接法进行精调