4. 视觉里程计原理
视觉里程计（Visual Odometry, VO）是无人机视觉SLAM系统的前端核心，其任务是根据相邻图像帧之间的像素变化，估计无人机的相对运动，并输出连续的位姿轨迹。与后端优化和回环检测不同，VO直接决定了系统在短时间内的定位精度与鲁棒性。本章围绕特征点法、光流法、直接法和半直接法四条技术路线展开，并梳理关键帧选择与位姿估计的完整流程。
一、核心原理：从像素到运动
视觉里程计的基本假设是：同一空间点在连续图像中的投影位置变化，反映了相机的运动。根据是否显式提取特征、是否计算描述子、是否使用光度误差，VO方法可分为不同流派。其共同目标是求解相邻帧之间的旋转矩阵 R 与平移向量 t，即相机位姿变换 T = [R|t]。
在无人机场景中，VO面临快速运动、光照变化、纹理稀疏和计算资源受限等挑战。因此，方法选择需要在精度、速度和鲁棒性之间权衡。
二、方法流程：四条技术路线的实现要点
特征点法是最经典的VO方案。其流程为：提取图像中的角点（如ORB、SIFT、SURF），计算描述子，通过描述子匹配建立帧间对应关系，再利用对极几何或PnP求解位姿，最后用RANSAC剔除误匹配。特征点法精度高、对光照变化有一定鲁棒性，但计算描述子和匹配耗时较长，在无人机嵌入式平台上可能成为瓶颈。
光流法不计算描述子，而是假设同一像素在相邻帧中灰度不变，通过Lucas-Kanade等算法追踪像素运动。光流法速度快，适合实时性要求高的场景，但灰度不变假设在光照变化剧烈时容易失效，且追踪点容易漂移。
直接法跳过特征提取，直接利用图像像素灰度值构建光度误差函数，通过最小化误差求解位姿。直接法能利用弱纹理区域的信息，可构建稠密或半稠密地图，但对光照变化和相机曝光非常敏感，且需要较好的初始位姿，否则容易陷入局部最优。
半直接法折中前两者：提取特征点但不计算描述子，用光流追踪特征位置，再结合直接法的光度误差进行位姿估计。SVO（Semi-direct Visual Odometry）是典型代表，速度极快，非常适合无人机平台。
三、关键帧选择与位姿估计流程
关键帧选择是VO稳定运行的关键。若每帧都参与优化，计算量过大；若关键帧过少，则约束不足、轨迹漂移。常用策略包括：
- 平移阈值：当前帧与上一关键帧的平移量超过设定值（如0.1~0.3米）
- 旋转阈值：旋转角度超过设定值（如5°~10°）
- 追踪质量：成功追踪的特征点数量低于阈值（如少于30个）
- 图像质量：清晰度、曝光正常，避免模糊帧进入优化
位姿估计的完整流程通常为：图像预处理 → 特征提取或光流追踪 → 帧间匹配 → 运动估计（2D-2D对极几何、3D-2D PnP或3D-3D ICP）→ 局部BA优化 → 关键帧判定与地图点更新。在无人机应用中，常结合IMU预积分提供尺度信息和初始位姿，提升鲁棒性。
典型参数配置示例（ORB-SLAM风格）：
ORBextractor.nFeatures: 1000
ORBextractor.scaleFactor: 1.2
ORBextractor.nLevels: 8
ORBextractor.iniThFAST: 20
ORBextractor.minThFAST: 7
KeyFrame.TranslationThreshold: 0.15 // 米
KeyFrame.RotationThreshold: 0.15 // 弧度
KeyFrame.TrackedPointsThreshold: 30
四、案例与场景：无人机室内外飞行
在室内弱纹理环境中，特征点法可能因提取不到足够角点而失效，此时直接法或半直接法更具优势。例如，无人机在白色墙面走廊飞行时，直接法可利用墙面渐变纹理估计运动。而在室外光照变化剧烈的场景中，特征点法配合描述子匹配更稳定。实际系统中，常采用混合策略：正常光照下用特征点法，快速运动或弱纹理时切换半直接法。
| 方法 | 精度 | 速度 | 光照鲁棒性 | 适用场景 |
|---|---|---|---|---|
| 特征点法 | 高 | 中 | 较强 | 纹理丰富、光照稳定 |
| 光流法 | 中 | 快 | 弱 | 短时追踪、快速运动 |
| 直接法 | 中高 | 中 | 弱 | 弱纹理、稠密建图 |
| 半直接法 | 中高 | 极快 | 中 | 无人机实时定位 |
常见误区：许多初学者认为直接法一定比特征点法快，实际上直接法需要迭代优化每个像素，计算量可能更大；也有开发者忽略关键帧选择，导致轨迹漂移严重。建议在无人机平台上优先测试半直接法或稀疏直接法，并合理设置关键帧阈值。
五、复盘与优化建议
视觉里程计的性能不仅取决于算法选择，还与相机标定、时间同步、运动模型密切相关。复盘时应重点关注：特征追踪丢失率、位姿估计残差、关键帧间隔是否合理、是否存在尺度漂移。对于无人机，建议融合IMU数据提供尺度与重力方向约束，并在VO前端加入运动模糊检测，避免模糊帧污染位姿估计。通过持续调参与方法切换，可在精度与实时性之间取得最佳平衡。