%%----2011年11月3日------鲁棒视觉里程计算法--------单目篇-----------------

怎么通过两幅图像之间的特征点匹配，精确计算R和T呢？

通过一系列实验，表明：利用sift特征自动匹配，实现摄像机的位姿估计的可行性，能够得到较为准确的姿态角，但是位移参数不能准确获取。但是，当前的问题是：怎样获取精确的位移方向信息呢？采用奇异值分解的方法时，即便对于相同的两组数据，得到的位移矢量都有很大的差别！！因此，我认为，简单且流行的奇异值分解方法在精确求解摄像机运动参数的时候，基本上是不可行的。而用Direct_程序，似乎结果要好一些，但是仍然不稳定。

例如：从Image0033到Image0034，向前运动，T_direct = [-0.0019, -0.058, -0.998]，但是结果不稳定，从Image0029到Image0030，向前运动，T_direct = [-0.0693, -0.0237, 0.9973]；   从Image0029到Image0030，向前运动，T_direct = [-0.0692,0.0767,-0.9947]

方法一：如果将已知的运动先验信息应用到优化目标函数的求解之中，直接调用Direct程序，Results：也不能得到稳定的运动方向求解结果，但是运算量明显减小；

方法二：下面将更多的约束考虑到基于Direct程序的滤波里程计之中，还是以在桌面上的摄像机运动为例，可以将ekf中的r坐标进行约束，世界坐标系方向是棋盘格平面的方向，所以r(2)，即垂直方向基本不变，这可以在滤波器中，将r(2)对应的状态不确定性（系统噪声和初始误差协方差矩阵对应值很小）。Results:效果不明显。

方法三：当我用我改进后的算法后，能够更大可能地得到稳定的平移向量，但也有20%的可能出错，出错的场合都是一样的：特征点太少。

通过综合分析实验结果，我认为，平移向量和旋转参数计算不准确，究其原因，我认为应该是这样的：在用非线性优化算法的过程中，由于优化函数不是一个凸问题，因此，在寻找最优解过程中很容易陷入局部最优，相对而言，T的局部极小点比R更多，因此，得到准确的T更加困难。如果特征点足够多，且准确率较高的情况下，是能够得到准确解的。^_^

就单目摄像机的位姿估计而言，至多能得到怎样高精度的解算结果呢？下一步，考虑其他方式，提高摄像机的位姿估计精度。。。

Things are continuing