直接法視覺SLAM的光照變化魯棒性。

摘要：

直接視覺里程計和SLAM通過直接對齊影象來確定相機位姿，基於LK光流法優化光度誤差。大量的工作中在誤差公式中使用了亮度恆定假設，因此無法處理顯著地光照變化。這種光照變化尤其在SLAM中閉環部分容易發生。本文對一些具有實時能力的方法進行系統評估，評估其分別在里程計和閉環的應用場景下精度和魯棒性，使用的資料集包括真實的影象和具有模擬光照變化的合成影象。結論是：對於真實影象，基於Census的方法優於其他方法。

主要貢獻：

對快速的、光照變化魯邦的直接位姿估計追蹤演算法進行了詳細的估計。

評估結果：

1、演算法選擇

基本的直接法使用了光照一致性假設（BCA），在此基礎上選擇了變體，包括全域性光照變化模型、影象梯度表示區域性光照變化、基於塊的方法。

      使用全域性光照變化模型：全域性均值偏置歸一化（GMedian），該方法是在優化前使用殘差的均值進行全域性亮度偏置的歸一化；全域性仿射模型(GAffine)，該方法將待對齊的兩幅影象之一的亮度用仿射變化函式轉化為全域性的光照變化；

零均值歸一化的互相關(ZNCC)，該方法是對仿射亮度變化具有不變性的相關性度量；互資訊(MI)，互資訊是兩個隨機變數依賴性的度量。

        基於影象梯度的方法有：梯度幅值(GradM)，與對齊原始影象亮度不同的是，這種方法對齊影象梯度的幅值，因此對區域性的光照變化具有不變性；梯度(Grad)，該方法是直接將梯度以向量形式進行匹配；區域性均值偏置歸一化(LMean)，該方法通過減去某一畫素周圍一小塊的均值來歸一化該畫素的強度。

        基於塊的方法有：描述符域(DF)，描述符定義為影象的一系列卷積操作；Census變換(Census)，Census變換在立體深度估計中很流行，它能夠對所有的亮度變換保持不變性，並且保持亮度順序，但是相對可能會損失些精度。

2、資料集

TUM RGB-D、基於ICL-NUIM的合成序列以及1代Kinect採集的真實資料。

結論：

BCA在小的、瞬間的光照變化下都失敗了。GAffine只展現了一部分對全域性變化的魯棒性，MI表現不佳，所有基於梯度的方法都類似。

GradM方法在視覺里程計的準確率評估中表現良好，速度也很快。但是對於光照變化劇烈的真實世界資料集，Census方法給出最準確的結果。對於閉環，SIFT描述子匹配相對於直接法能夠有更大的位姿變換，但是後者有更高的準確度。這意味著需要先用特徵匹配隨後使用直接法進行精調