转载网址：https://blog.csdn.net/weixin_38203573/article/details/79787499
特征点法：
通过特征点匹配来跟踪点，计算几何关系得到R,t，BA来优化R，t，流程大致如下：
直接法：
直接法是从光流法演变而来的，是基于灰度不变假设，计算最小光度误差来优化R,t，流程大致如下：
光流法：
基于灰度不变假设，把特征点法中的描述子和匹配换成了光流跟踪，之后求解R，t的过程是一样的，流程大致如下：
那么这三种方法的优缺点各是什么呢，近期在学了视觉slam后做了初步的总结，希望大家批评指正。
PS.大多数情况下一种方法的有点即使另外一种方法的缺点，所以在一下没有提到的优缺点可以从其他方法的优缺点中获取。
|
优点 |
运动过大时，只要匹配点还在像素内，则不太会引起无匹配，相对于直接法有更好的鲁棒性。 |
只要关键点有梯度即可，可以在渐变的环境下工作 |
不需要计算描述子，不需要匹配特征点，节省了很多计算量。 |
|
不需要计算描述子，不需要匹配特征点，节省了很多计算量。 |
关键点提取的多少基本上都可以工作 |
||
|
可以筹建半稠密乃至稠密的地图 |
从稀疏到稠密重构基本上都可以使用 |
||
|
稀疏的直接法可以做到非常快速的效果，适合real time和资源受限的场合 |
|||
|
缺点 |
特征过多或过少都无法正常工作 |
图像无梯度，则对优化结果无贡献，特别如自动驾驶时候的天空 |
基于灰度不变假设，容易受外界光照的影响。 |
|
只能用来构建稀疏地图 |
基于灰度不变假设，容易受外界光照的影响。 |
相机发生大尺度移动或旋转时无法很好的追踪，非凸优化，容易局部极值。用尺度金字塔改善局部极值，组合光流法（增加旋转描述）改善旋转。 |
|
|
环境特征少，或者提不出角点（如：渐变色）都无法工作 |
相机发生大尺度移动或旋转时无法很好的追踪，非凸优化，容易局部极值。用尺度金字塔改善。 |
||
|
花很多时间在计算描述子和匹配上 |
单个像素没有区分度，需要计算像素块，结果只能少数服从多数。 |
||
|
容易受相机暗角影响 |
|||
|
提问 |
提取多少特征点算合适？（不多不少刚刚好？） |
计算出图像的光流后可以直接推导出相机的运动吗？ |
由于直接法是光流法的衍生，所以他们有很多的相似性。
有不正确的地方希望大家指出，谢谢！