SVO:深度滤波器的数据融合方法
以及深度概率模型推导
■ 深度滤波器depth-filter
使用深度滤波器,将最新时刻求得的深度观测值,与上一时刻的深度估计值融合,直到种子点(seed)深度收敛。深度值分布的概率模型可看为高斯-均匀混合分布
通过一系列后续帧的测量,我们可以得到的是种子点的深度测量值x1,x2,···,xn,以及每个测量值对应的方差(也就是不确定度)tau^2,不确定度定义为:像素平面上的单个像素误差引起的深度测量值的变化量。
相当于已知测量值,求真实深度
也就是求最大后验概率
为了求这个最大后验概率,通过一个服从Gaussian*Beta分布的函数q,来近似待求的目标值q定义为:
每当新来帧求得新的深度值时,通过上式的近似分布进行迭代求解:
理论意义上的迭代公式是这样的,但是发现等式右边并不是一个GaussianBeta分布的结构,因此接下来要做的就是:根据(深度测量值的概率分布)p和(上一时刻的深度最优估计)q二者的定义式,将等式右边构造成一个满足GaussianBeta分布的 q’ ,使等式两端关于z好和rou的一阶矩和二阶矩相等
最后得到q’,与q的定义式比较,二者具有相同的Gaussian*Beta分布的结构
将C1,C2归一化
这样就可以对新的测量值进行更新迭代了
贴上svo程序部分