转载于http://blog.csdn.net/zhubaohua_bupt/article/details/74911000
3.1深度滤波简介
SVO在建图部分采用的是深度滤波器，论文中并没有详细的介绍。深度滤波在SVO作者写的另一篇叫REMODE[1]的文章里，介绍了深度滤波的每一个步骤。REMODE[1]这篇文章讲的是利用svo提供的位姿，进行三维重建，属于渐进式三维重建。其过程和SVO深度滤波一样，只不过在REMODE里，实现用GPU进行了加速处理。
SVO深度滤波是利用一系列的前后帧，完成对指定帧上像素深度的求取。用一些列帧，来求取指定帧上每个像素深度的原因是，在计算像素点深度时，单次匹配恢复的深度有误差，需要依靠多次深度测量值的融合，来恢复误差较小的深度值。SVO把像素的深度误差模型看做概率分布，有两个属性，一个是深度值服从高斯分布，另一个是局外点的概率服从Beta分布，同时融合这两种属性。
SVO深度滤波对深度进行渐进式融合（动态融合）。其过程可表述如下：
关键帧上选取像素点(SVO是fast角点，REMODE是梯度点)，作为种子（seed，种子就是深度未收敛的像素点），每来一帧图像，融合更新一下之前提取的种子，直至种子的深度收敛，这是个动态过程，类似于滤波，大概这就是叫深度滤波的原因吧。如果新的一帧是关键帧，那么再次提取新的像素点作为种子。
就这样旧的种子不断收敛，新的种子不断增加，不断进行下去。
下面来探讨一下深度滤波的整个过程。
3.2 深度滤波分步骤详细介绍
对于一个种子，其每一次深度滤波（也叫深度融合，利用新的一帧来更新种子的深度值），都行需要经以下过程。
3.2.1 计算极线
关于极线的基本知识，本文不做介绍。对于每个种子，在当前帧计算极线的条件是：
<1>已知种子所在帧与当前帧的相对位姿
<2>已知种子的初始深度
条件<1>的作用是用来做匹配，由VO提供。
条件<2>的作用是缩小找匹配的搜索量。当种子新提取时，这个时候还没有深度值，用场景平均深度初始。
本文用z表示种子的深度，sigma2表示深度方差，sigma表示深度标准差。
极线的计算方法如下：
step1：
在深度延长线上，构造两个三维点P1，P2，这两个三维点来源同一个像素，唯一的不同就是深度，
分别为 P1(x,y，z- n*sigma)，P2(x,y，z+ n*sigma)，这里n可以调节，一般选择n=1,2,3（3sigma原则）。
Step2：
将P1，P2利用帧间位姿，投影至当前帧，投影点为u1，u2，连接u1，u2就是我们所要计算的极线。
SVO工程里，实现在Matcher.cpp里的findEpipolarMatchDirect()函数里。
REMODE工程里，实现在epipolar.cpp seedEpipolarMatchKernel()函数里。
3.2.2 计算仿射矩阵
为什么要计算仿射矩阵？
我们知道，同一张图像在经过旋转平移后，同一个场景在图像上的成像位置就发生了变换。
在像素做匹配时，我们需要用像素周围的信息（一般是矩形窗口）来描述本像素的特征。
设想一下，如果帧间图像发生了旋转，我们还用同样的窗口（当前帧的窗口坐标和种子所在帧窗口坐标一样）
来描述搜索点，是不是不太合适？
如上图，描述p的窗口w1在后帧上投影点为p’,我们在匹配p和p’时，是用蓝色窗口来描述p’呢，还是用红色窗口？
答案肯定是红色窗口，那既然是红窗口，红色窗口怎么计算呢？
这就会用到仿射矩阵，SVO仿射矩阵是这样的计算的。
计算窗口的思路是先利用三点法计算出tk和tn两时刻图像的仿射变换矩阵，
然后再把窗口w1里的像素坐标逐一映射到图像tn里，这样映射的所有坐标就组成了窗口w2。
实现代码
3.2.3 搜索匹配
跟踪部分的匹配，是靠特征对齐完成的，不需要极线搜索，这是因为在深度和位姿都比较准确的情况下，
用特征对齐可以完成匹配。
但是，深度估计却不能这样干，它需要极线搜索，因为深度未知或者深度不确定性太大。
SVO选用ZMSSD，通过8*8矩形patch来描述像素，用于计算种子和当前帧搜索点的相似性。
实际上，在svo搜索匹配过程中，当计算的极线小于两个像素时，直接采用图像对齐，
因为这个时候深度不确定较小（可以通过极线的计算方式想一下为什么）。
否则，沿极线以为一个像素为步进单位搜索匹配。代码在findEpipolarMatchDirect（）里，
3.2.4三角测量恢复深度以及匹配不确定性的计算
经过搜索匹配后，能够得到种子p以及种子p在当前帧上的匹配像素点p’，
通过三角测量，就可以恢复种字p的深度。
原理可以参考 http://blog.csdn.NET/zhubaohua_bupt/article/details/74926111
实现部分：
多次三角测量的深度是为了，融合得到种子较准确的深。那么既然有融合，不同测量值肯定有不同权重。
不确定性就是用来计算权重的。在SVO中，深度的不确定被认为是，
在匹配时，误匹配一个像素所带来的最大深度误差。
其计算很简单，可以直接看论文。
3.2.5 深度融合
SVO的融合是不断利用最新时刻深度的观测值，来融合上一时刻深度最优值，直至深度收敛。如下图
深度数据具体融合过程的过程如下，
3.2.6 平滑去噪
这一步在SVO里没有，在REMODE里，作者加上这一步骤，对深度图有不错的去噪平滑效果，如下图。
这个就不细说了，因为这一步骤本身与SVO无关，有兴趣的话可以看一下论文[1],作者通过构造一个能量函数，
然后迭代优化能量函数，当能量函数最小时，就完成平滑去噪。
至此，我们探讨了SVO整个深度滤波。
REMODE论文：
[1] MatiaPizzoli,Christian Forster, and Davide Scaramuzza. REMODE: Probabilistic,monocular densereconstruction in real time. In International Conference onRobotics andAutomation (ICRA), pages 2609–2616, Hong Kong,China, June 2014.
