本文主要是介绍双目DSO，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
建图效果，确实比稀疏的orbslam2舒服很多
官方：https://vision.in.tum.de/research/vslam/stereo-dso
After the ICCV 2017 deadline, we extended our method to a SLAM system with additional components for map maintenance, loop detection and loop closure. Our performance on KITTI is further boosted a little, as shown with black plot below. A demonstration video is shown above.
tum-vision git： https://github.com/tum-vision
论文讲解https://zhuanlan.zhihu.com/p/29769576
https://zhuanlan.zhihu.com/p/82077729
https://zhuanlan.zhihu.com/p/74709586
高翔解读mono dso https://zhuanlan.zhihu.com/p/29177540
DSO的出现将直接法推进到一个相当成熟可用的地位，许多实验已表明它的精度与鲁棒性均优于现在的ORB-SLAM2，而相比之下LSD-SLAM则显然没有那么成熟。在我自己的实物相机实验中，我发现LSD-SLAM很难一次上手即通，而DSO则鲁棒的多。
在大部分数据集上，DSO均有较好的表现。虽然DSO要求全局曝光相机，但即使是卷帘快门的相机，只要运动不快，模糊不明显，DSO也能顺利工作。但是，如果出现明显的模糊、失真，DSO也会丢失。
我认为，直接法相比传统特征点法，最大的贡献在于，直接法以更整体、更优雅的方式处理了数据关联问题。特征点法需要依赖重复性较强的特征提取器，以及正确的特征匹配，才能得正确地计算相机运动。在环境纹理较好，角点较多时，这当然是可行的——不过直接法在这种环境下也能正常工作。然而，如果环境中出现了下列情况，对特征点法就不那么友善：
- 环境中存在许多重复纹理；
- 环境中缺乏角点，出现许多边缘或光线变量不明显区域；
我们看到，数据关联和位姿估计，在直接法中是耦合的，而在特征点法中则是解耦的。耦合的好处，在于能够更整体性地处理数据关联；而解耦的好处，在于能够在位姿不确定的情况下，仅利用图像信息去解数据关联问题。所以直接法理应更擅长求解连续图像的定位，而特征点法则更适和全局的匹配与回环检测。读者应该明了二者优缺点的来由。
当然DSO也不是万能的。最容易看到的缺点，就是它不是个完整的SLAM——它没有回环检测、地图重用、丢失后的重定位，而这些在实际场景中往往又是必不可少的功能。DSO的初始化部分也比较慢，当然双目或RGBD相机会容易很多。如果你想要拓展DSO的功能，首先你需要十分了解DSO的代码结构。希望本文能够起到一定的作用。
地平线智能驾驶团队的实现 https://github.com/HorizonAD/stereo_dso
地平线: https://cloud.tencent.com/developer/article/1077301
涂金戈大佬： https://github.com/JingeTu/StereoDSO
https://blog.csdn.net/wyy13273181006/article/details/108891234
readme和参考，之间cmake make 即可
https://blog.csdn.net/leonardohaig/article/details/84587595
创建一个camera_07.txt
707.912 707.912 601.8873 183.1104 0
1226 370
crop
640 480
0.537165719运行
bin/dso_dataset files=/home/dataset/KITTI/07 calib=../camera_07.txt preset=0 mode=1
这篇关于双目DSO的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
