之前研究VSLAM时，本人对SVO研究过一段时间，那个时候没有时间总结，
现在快毕业了，总结一下自己了解的算法吧。。。。
对SVO的总结共分为3各部分，分别为简介和评价部分、跟踪部分、深度滤波部分(建图部分)。
简介部分
转载请说明出处：
http://blog.csdn.net/zhubaohua_bupt/article/details/74822742
1先说一下SVO大体内容
SVO[2]是C. Forster, M. Pizzoli, and D. Scaramuzza在14年提出的一个半直接法的VSLAM（单目）。
开源代码：https://github.com/uzh-rpg/rpg_svo 。
1.1为什么叫半直接法？
我们知道，VSLAM有直接法和特征点法两大类。直接法和特征点法，在帧间VO阶段的不同在于，
直接法：提取梯度纹理特征明显的像素，帧间VO是靠图像对齐，即通过
最小化像素灰度差函数来优化帧间位姿。
特征点法：提取特征点（通常是角点），帧间VO靠PNP，即缩小在后帧图像上，
重投影点与特征匹配点距离误差，来优化帧间位姿。
而SVO是这样干的：
提取稀疏特征点（类似特征点法），帧间VO用图像对齐（类似于直接法），
SVO结合了直接法和特征点法，因此，称它为半直接法。
1.2 SVO干了什么事?
SVO主要干了两件事，
<1>跟踪
<2>深度滤波
深度滤波是我们常说的建图（Mapping）部分。
1.2.1跟踪部分
跟踪部分干的事情是：初始化位姿，估计和优化位姿(分别对应于帧间VO和局部地图优化)。
初始化位姿：
用KLT光流法找匹配，然后恢复H矩阵。初始化思想是这样的，
第一帧上提取的特征点，作为关键帧，后来的帧不断用KLT与第一帧匹配，
直到匹配到的特征点平均视差比较大，就认为初始化成功，计算对应特征点的深度，
与此对应的帧作为第二帧。之后进入正常工作模式，即估计和优化位姿。
正常工作模式：
首先，通过和上一帧进行对齐，求取初始位姿；
然后，建立局部地图，通过优化局部地图和当前帧的投影灰度块误差，来优化当前位姿；
最后，判断此帧是否是关键帧，如果为关键帧就提取新的特征点。
经过以上四个步骤，完成一帧的处理。如果在CMakeLists里打开了HAVE_G2O的选项，
代码隔一段时间还会BA,不过非常慢。
1.2.2深度滤波部分
深度滤波部分主要任务是完成估计特征点的深度信息。
深度滤波和跟踪部分相互依赖，因为深度滤波是以相机位姿已知为前提进行的，
而跟踪部分又依靠深度滤波的结果（较准确的三维点），完成位姿的估计。
乍一看，这是个鸡生蛋，蛋生鸡的问题，既然两者循环迭代，总得有个起始点。
其实，单目的slam在启动时需要初始化，而这个初始化就提供粗糙的帧间位姿，
以便于深度滤波和跟踪部分的迭代。
当深度可以用后（称之为收敛），把它放入地图里，用于跟踪。
1.2.3为什么叫VO
这个得从SVO干的事来说，它既没有闭环检测，也没有重定位（SVO的重定位太。。。），
它干的事只要是定位,比较符合视觉里程计(VO)的特点。
ORBSLAM算是目前性能最好的开源算法，这些功能它都有，因此算一个比较完整的VSLAM算法。
1.2.4 svo怎么样
优点：是比较快，如果你跑代码的时候发现很容易跟丢，可以修改这几个配置参数：
quality_min_fts：匹配到的最小特征点。
quality_max_drop_fts：容许相邻帧匹配到特征点的最大落差。
缺点：缺点是比较明显的
和ORBSLAM相比。
<1>由于位姿的估计和优化全是靠灰度匹配，这就导致了系统对光照的鲁棒性不足。
<2>对快速运动鲁棒性性不足。直接法都似这个样子。。可以加入IMU改善。
<3>没有重定位和闭环检测功能。
如果把此工程修改成RGBD的模式后，鲁棒性和精度明显提高，近似于ORBSLAM的RGBD模式。
[1]C. Forster, M. Pizzoli, and D. Scaramuzza, “SVO: Fast Semi-DirectMonocular Visual Odometry,” in Proc. IEEE Intl. Conf. on Robotics and Automation, 2014.
[2] 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.
