简介

在SVO算法中使用深度滤波器估计特征点的3D位置，本篇旨在了解深度滤波器的原理及相关知识点。

1.极线搜索与块匹配

下图为极限搜索的示意图。

1.1极线搜索

已知参考帧(左图)的某个特征点p1，根据相机几何原理p1对应的3D空间点在连接光心O1和p1的射线上的某一处，假设3D点的深度范围是(d_min, +∞)。

同样的该3D点在相邻的当前帧图像上也存在一个投影点p2,p2也是3D点与当前帧光心O2连线的交点。因为3D点的位置是未知的，所以对于(d_min, +∞)范围内所有3D点可能的位置在当前帧的投影会形成一条极线l2，我们知道p2一定在这条极线上，只需要沿着极线进行搜索就可以找到p1在当前帧的匹配点p2。这个过程就是

极限搜索。

1.2 块匹配

按照直接法的思想，可以通过比较极线l2上每个像素点与p1的灰度值，灰度值之差越小是匹配点的可能性就越大。但是如果极线上有很多和p1相似的点，比较单个像素之间的差异可能会出现很大的误匹配，所以就引入了块匹配的概念。即通过比较特征点邻域内的像素块之间的差异来提高区分度，寻找相应的匹配点p2。

1.3 块匹配方法

现在取p1周围的小像素块,假设像素块的大小为

w×w

；并且在极线上也取了很多个小块。不妨把p1周围的小块记成

A∈Rw×w

,把极线上的n个小块记成Bi, i=1,…,n。

（1）SAD(Sum of Absolute Difference)。顾名思义,即取两个小块的差的绝对值之和

（2）SSD(Sum of Squared Distance),即两个像素块灰度值差异的平方和:

（3）NCC(Normalized Cross Correlation)(归一化互相关)。这种方式计算两个小块的相关性。

分子为A矩阵与B矩阵对应元素相乘的和，分母为A矩阵元素平方和与B矩阵元素平方和的平方跟。

同时可以进行去均值化操作，对AB矩阵分别进行去均值操作再使用上述方法，以应对相邻帧之间光线的明暗变化。

2.高斯分布的深度滤波器

现在,我们在极线上,计算了A与每一个Bi的相似性度量。为了方便叙述,假设我们用了NCC,那么,我们将得到一个沿着极线的NCC分布。这个分布的形状严重取决于图像本身的样子。在搜索距离较长的情况下,我们通常会得到一个非凸函数:这个分布存在着许多峰值,然而真实的对应点必定只有一个。在这种情况下,我们会倾向于使用概率分布来描述深度值,而非用某个单一个的数值来描述深度。于是,我们的问题就转到了,在不断对不同图像进行极线搜索时,我们估计的深度分布将发生怎样的变化——这就是所谓的

深度滤波器

。

2.1基于高斯分布的深度滤波器

核心思想是假设特征点的深度值和观测到的深度值(由多帧的三角化得到)均服从高斯概率分布，通过对深度的观测去不断更新特征点深度值的概率分布，当深度的不确定性小于阈值时则认为收敛，此时的深度值即为特征点深度。但是在进行深度估计时要借助于两帧之间的平移，由于单目匹配计算的平移没有真实的尺度信息，因此这时估计出的深度也是没有尺度的。

主要过程：

1. 假设所有像素的深度满足某个初始的高斯分布；
2. 当新数据产生时，通过极线搜索和块匹配确定投影点位置；
3. 根据几何关系计算三角化后的深度以及不确定性；
4. 将当前观测融合进上一次的估计中。若收敛则停止计算，否则返回2。

假设某特征点的深度服从均值为μ方差为σ的高斯分布：

P(d) ~ N(μ，σ^2)


当新的数据到来(新的匹配产生)，可以根据几何原理得到观测值，假设观测值同样服从概率分布

P(d_obs) ~ N(μ_obs，σ_obs^2)


然后可以使用当前的观测信息更新之前关于特征点的概率分布，根据高斯分布的性质可以进行以下更新：

当融合后的分布不确定性收敛到一定阈值之后，认为此时的估计值为对应特征点的深度。

2.2贺一家对深度滤波器的解释

最基本的深度估计就是三角化，这是多视角几何的基础内容。我们知道通过两帧图像的匹配点就可以计算出这一点的深度值，如果有多幅图像，那就能计算出这一点的多个深度值。这就像对同一个状态变量我们进行了多次测量，因此，可以用贝叶斯估计来对多个测量值进行融合，使得估计的不确定性缩小。如下图所示：

一开始深度估计的不确定性较大(浅绿色部分)，通过三角化得到一个深度估计值以后，能够极大的缩小这个不确定性(墨绿色部分)。

3.SVO中深度滤波器的使用

以下内容参考自：

https://zhuanlan.zhihu.com/p/85190014

在这里，先简单介绍下svo中的三角化计算深度的过程，主要是极线搜索确定匹配点。在参考帧Ir中，我们知道了一个特征的图像位置，假设它的深度值在[d_min,d_max]之间，那么根据这两个端点深度值，我们能够计算出他们在当前帧Ik中的位置，如上图中草绿色圆圈中的线段。

确定了特征出现的极线段位置，就可以进行特征搜索匹配了。如果极线段很短，小于两个像素，那直接使用上面求位姿时提到的Feature Alignment光流法就可以比较准确地预测特征位置。

如果极线段很长，那分两步走，第一步在极线段上间隔采样，对采样的多个特征块一一和参考帧中的特征块匹配，用Zero mean Sum of Squared Differences 方法对各采样特征块评分，哪个得分最高，说明他和参考帧中的特征块最匹配。第二步就是在这个得分最高点附近使用Feature Alignment得到次像素精度的特征点位置。像素点位置确定了，就可以三角化计算深度了。

最后，得到一个新的深度估计值以后，就可以用贝叶斯概率模型对深度值更新。

在深度估计的过程中，除了计算深度值外，这个深度值的不确定性也是需要计算的，它在很多地方都会用到，如极线搜索中确定极线的起始位置和长度，如用贝叶斯概率更新深度的过程中用它来确定更新权重(就像卡尔曼滤波中协方差矩阵扮演的角色)，如判断这个深度点是否收敛了，如果收敛就插入地图等等。

4.逆深度

在进行极线搜索时，可能会存在多个极值，为了确定真实深度值，通过使用深度的概率分布描述深度值。

（1）逆深度误差可以降低真实世界中较远的深度点造成的误差。比如对于100m和50m处的不同深度点，可能在图像中表现为几个像素的距离，如果使用深度误差的话是50的差距，但是采用逆深度误差只有1/50-1/100=0.01的差距

（2）当采用逆深度时，通过将坐标归一化可以得到逆深度因子以及特征的齐次表达形式，优化变量减少

（3）逆深度的表达形式能够表达更远的点，而且更接近于高斯分布