点上方蓝字计算机视觉联盟获取更多干货
在右上方 ··· 设为星标 ★，与你不见不散
联盟成员读书笔记带你深入理解单目SLAM
数据关联的优化
基于图像的特征检测与匹配不可避免地带有误差。如果直接使用图像特征匹配的结果作为数据关联的结果，往往会带来很大误差，以至于定位系统发散。
固定区域匹配
这种方法假设特征点在前后两帧图像像素距离在一个范围内，超过此范围即认为匹配错误
PTAM以及一些改进方法主要利用这种方法来进行特征匹配的优化，降低特征匹配计算量。
方法实现简单，对于深度变化不大、特征点距离摄像机稍远的场景比较合适。但对于摄像机快速运动或者运动平行于图像平面的情况并不合适
Active Matching
Davison提出
主要用于EKF滤波的视觉SLAM系统，利用EKF 系统运动模型获得系统状态预测，进而估计环境特征点在摄像机估计姿态中的投影图像位置，获得特征点的图像分布区域。
能够适应摄像机的绝大部分运动情况，但对于摄像机姿态估计协方差较大的情况，容易产生较大的特征匹配的估计区域，仍然面临着错误匹配的可能。
1-Point RANSAC
Civera提出基于EKF-SLAM系统的1-Point RANSAC算法
不同于传统的RANSAC 方法，1-Point RANSAC 主要面向基于EKF 滤波的SLAM方法
该方法首先随机选取一个匹配点，用该点的匹配信息更新摄像机姿态。然后判断其他匹配点与估计图像位置的距离是否小于一定阈值来剔除外点。最后利用获得的内点集来更新整体滤波器状态。对于可能被剔除的卡尔曼增益较大的正确匹配点，重新加入内点集并再次更新系统状态。该方法由于要多次对滤波器进行更新，因此会损耗一定的运算时间。
几何约束
对于 单目视觉SLAM，可以利用 视觉几何的一些约束条件，如对极几何、PNP（perspectiveN points）等剔除错误的匹配点。
这种方法不需要频繁更新系统状态，可以获得较好的系统运动速度，但这些方法对于不同情况采用不同几何约束条件，所以增加了系统复杂性。
END
声明：本文来源于联盟成员学习笔记
如有转载，联系后台
加群交流
关注CV和AI前沿，欢迎加入CV联盟群
扫描添加CV联盟微信拉你进群，备注：CV联盟
热文荐读
亲身经历2019年校招8个大厂心得体会，纯干货分享（大疆、百度...）
GANs最新综述论文: 生成式对抗网络及其变种如何有用【附pdf下载】
算法岗百里挑一热爆了，全球AI大厂薪酬大起底
史上最全！计算机科学领域顶会最佳论文大合集：微软研究院最多，清华排24 MIT的周博磊博士如何解释深度学习模型（附PPT)
【资源下载】512页IBM沃森研究员Charu最新2018著作《神经网络与深度学习》（附下载链接）
人工智能相关领域的国际顶尖会议介绍