直接法和特征点法的区别与优缺点
直接法和特征点法都有哪些优缺点？
直接法最大的贡献在于，以更整体、更优雅的方式处理了数据关联问题。特征点法需要依赖重复性较强的特征提取器，以及正确的特征匹配，才能得正确地计算相机运动。而直接法，则并不要求一一对应的匹配，只要先前的点在当前图像当中具有合理的投影残差，我们就认为这次投影是成功的。而成功与否，主要取决于我们对地图点深度以及相机位姿的判断，并不在于图像局部看起来是什么样子。
优势：
- 相比特征点法（只使用了特征点周围的信息）使用了图像中全部的信息（半直接法只用了边缘梯度）
- 节省特征提取与匹配的大量时间，易于移植到嵌入式系统中，以及与IMU进行融合；
- 使用的是像素梯度而不必是角点，可以在特征缺失的场合使用，如环境中存在许多重复纹理或是缺乏角点，但出现许多边缘或光线变量不明显区域；
- 可以进行稠密或半稠密的地图重建；
劣势：
- 一般对相机要求较高，需要全局快门相机，进行光度标定等
- 灰度不变是一个强假设，难以满足（易受曝光和模糊影像）；
- 单像素区没有区分度，需要计算图像块或是相关性；
- 直接法成功的前提，是目标函数从初始值到最优值之间一直是下降的，然而图像非凸。因此需要有一个相当不错的初始估计，还需要一个质量较好的图像；
- 难以实现地图复用、回环检测、丢失后的重定位等：除非存储所有的关键帧图像，否则很难利用先前建好的地图；即使有办法存储所有关键帧的图像，那么在重用地图时，我们还需要对位姿有一个比较准确的初始估计——这通常是困难的。
数据关联和位姿估计，在直接法中是耦合的，而在特征点法中则是解耦的。耦合的好处，在于能够更整体性地处理数据关联；而解耦的好处，在于能够在位姿不确定的情况下，仅利用图像信息去解数据关联问题。所以直接法理应更擅长求解连续图像的定位，而特征点法则更适合回环检测与重定位。此外，稀疏直接法更适用于实时性较高而计算资源有限的场合。
