- 文献综述（或调研报告）：
1.视觉运动估计方法的分类
A.特征点法
基于特征的SLAM方法[1,2]（包括滤波SLAM和关键帧SLAM）的基本思想是将从图像序列中估计几何信息这一问题拆分成两步：首先，从图像中提取一组特征观测量，然后以这些特征变量建立位姿估计函数，计算摄像头的位置信息和构建场景地图。虽然这种解耦方法简化了整个问题，但是这种方法 存在一个比较大的局限性：仅仅提取使用了图像上符合特征类型的信息，尤其是当使用特征点进行构图与定位时，图像中所包含的直线或曲线边缘信息如大量存在于当前的人工建筑环境中的信息，则不会被考虑。
之前已经有不少文章，提出了获取更多图像信息的方法，包括基于图像边缘特征提取 [5,8]，甚至是基于图像区域特征提取[4]。然而，高维度空间的特征计算代价比较大，所以这些方法很少在实际中使用。为了重构稠密的环境地图，可以通过多视角立体几何理论，利用已经估计得到摄像头姿态来重构后续的稠密地图[3]。
B.直接法
直接法视觉里程计（VO）是直接利用图像像素点的灰度信息来构图与定位[1,2]，克服了特征点提取方法的局限性，可以使用图像上的所有信息。该方法在特征点稀少的环境下仍能达到很高的定位精度与鲁棒性，而且提供了 更多的环境几何信息，这在机器人和增强现实额应用中都是非常有意义的。
直接配准法理论和应用早已经在RGB-D或双目视觉传感器上建立和应用，但是，基于单目相机，使用直接法，来计算视觉里程计的算法，是近些年才被提出来的：在论文[9,10,11]中，提出使用泛函变分公式来计算高精度，完全式稠密型深度地图，但是这些方法的计算量比较大并且实时运算时需要GPU。在论文[6]中，提出了一种半稠密型深度滤波器公式，它能够 大大降低计算复杂度，并且可以实时运行在单个CPU上，甚至还可以跑在智能手机上。论文[7]提出直接跟踪法融合特征值提取法（的思想），该算法可以维持很高的图像帧率，甚至可以跑在嵌入式系统，也可以保持较高的图像帧率。所有这些方法的不足是实质上是计算视觉里程计，它们仅仅只是在局部范围内跟踪相机运动（和轨迹），并没有考虑创建一个全局，高度一致性的场景地图，包括对闭环的处理等。
2.视觉SLAM和VO（视觉里程计）的区别与联系
视觉 SLAM和VO两者的区别在于, 后者仅关注局部轨迹的一致性, 而前者关注的是全局机器人轨迹的一致性。理解什么时候产生回环和有效集成新的约束到当前地图是视觉SLAM主要研究问题。VO目标是增量式重建轨迹, 可能只优化前n个路径的位姿, 即基于窗口的捆绑调整。这个滑动窗口优化在SLAM中只能是建立一个局部地图。
视觉 SLAM和VO两者的联系在于, 后者可以视为前者中的一个模块, 能增量式重建相机的运动轨迹, 所以有些学者在研究中, 将视觉 SLAM视为VO展开研究。
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
