光流僅估計了畫素間的平移，但沒有用到相機本身的幾何結構；沒有考慮到相機的旋轉和影象的縮放；對於邊界上的點，光流不好追蹤。
直接法則考慮了這些資訊。
不關注乙個畫素點是如何移動的，而是整體地關注相機的移動。把資料關聯（即特徵點中提取與匹配特徵點這兩步）合併為一步。用所有特徵點的的資訊直接推斷影象的運動。
稀疏直接法：只處理稀疏角點或關鍵點
稠密直接法：使用所有畫素
半稠密直接法：使用部分梯度明顯的畫素
假設有兩個幀，運動未知，但有初始估計r,t
第1幀上看到了點p，投影為p1按照初始估計，p在第2幀上投影為p2。
則投影關係為：
與光流法相同假設環境的灰度不變即
為了估計相機的運動，建立最小化問題：
最小化光度誤差：
令：
則上式經過鏈式法則展開後得：
綜上：
結論：通過上述推導可知，直接法解得的是灰度值關於李代數的乙個導數。即可以知道當李代數六維發生變化時，影象灰度會發生什麼樣的變化。
畫素灰度引導著優化的方向
要使優化成立，必須保證從初始估計到最優估計中間的梯度一直下降
這很容易受到影象非凸性的影響（可部分地由金字塔減輕）
優點：相比於特徵點法，減去了r,t估計不准時帶來的幾何誤差；
省略特徵提取的時間
只需有畫素梯度而不必是角點（對白牆等地方有較好效果）
可稠密或半稠密
缺點直接法的雅可比項有乙個影象梯度因子，因此在影象梯度不明顯的地方，對相機運動估計的貢獻就小；
灰度不變難以滿足（易受**和模糊影響）
單畫素區分性差
影象非凸性
SLAM十四講 學習
最近在看高翔博士的 視覺slam十四講，這本書對於入門來卻是非常的直接，有著很多可以學習借鑑的知識。但是只是看一遍並沒有多大的收穫，因此在這裡稍微的記錄，方便自己之後的回顧學習。首先是對自己學到的東西進行的反思，除了基本的概念之外，我還逐個把書上的 寫了一遍，並在ubuntu 18.04之上執行。這...
高翔視覺SLAM十四講學習筆記1
分割槽 boot邏輯分割槽，空間起始位置，200m 交換空間邏輯分割槽，空間起始位置，2倍記憶體 我是4g，所以421024 8192m 主分割槽邏輯分割槽，空間起始位置，盡可能大一些 至少20g home邏輯分割槽，空間起始位置，盡可能大 20g ubuntu16.04換清華源 備份 cd etc...
視覺SLAM十四講學習筆記 第三講
slam十四講是高翔博士寫的非常經典的視覺slam書籍，記錄下學習心得，與大家分享學習。一 知識總結 1 內積 描述向量間的投影關係 它是兩個向量張成的四邊形的有向面積。外積只對三維向量存在定義，可以表示旋轉 表示反對稱符號，外積公式 3 歐氏變換 同乙個向量在各個座標系下的長度和夾角都不會發生變換...