Mutual Information Based Feature Selection for Stereo Visual Odometry（2020.4）
- 1. 引言
- 2. 方法
1. 引言
提出了一種基于快速互資訊（MI）計算的機率方法作為特征去除的基礎。MI值作為一個信标，用于選擇不同的特性，同時消除備援特性，進而提高系統的總體速度并減少存儲需求。設計該方案的主要目的是合理地減少用于位姿估計的特征數目，降低系統的計算複雜度。根據資訊論，互資訊是衡量一個随機變量包含另一個随機變量資訊的程度。
異常剔除是去除僞比對和噪聲資料，提高運動估計精度的重要步驟之一。運動模糊、遮擋、視點變化、不比對和變化的照明是導緻異常值的一些因素。由Fischler和Bolles提出的随機抽樣一緻性（RANSAC）方案是一種常用的方案。它随機抽樣給定的資料，并找到由最大點數支援的假設。文獻中提出了幾種RANSAC的變體，如GroupSAC、Pre-emptive RANSAC、MSAC等。
基于特征的姿态估計可分為3D-to-3D、3D-2D和2D-2D架構。本文以三維到二維的姿态估計架構為研究對象，進行了實驗研究。在3Dto-2D方法中，将前一幀的3D點投影到目前幀上，用公式定義的代價函數最小化，得到R和t。最小化問題可以用線性技術，如直接線性變換（DLT）或非線性技術，透視n點（PnP）來解決。
有兩大類特征選擇技術，基于搜尋和基于相關性。基于搜尋的技術旨在生成、評估、比較子集與以前的最佳子集，并重複該子集直到滿足停止條件。這些基于搜尋的技術可以是獨立分析特征，也可以是需要學習或兩者結合的包裝器。相反，基于相關性的技術旨在尋找非備援特征的子集，并且比基于搜尋的方法更有效。一些基于相關性的特征選擇方案有mRMR、使用最大資訊壓縮指數的無監督選擇、MA-Hall在類内最大化相關性的同時最小化與其他特征的相關性等。
2. 方法
在幀内（左、右幀）和幀間比對（前一幀和目前幀）之前對特征進行特征選擇，得到所選的特征名額。互資訊提供了兩個随機變量之間的統計依賴程度，并在給定集合内的每兩個特征組合之間計算。将一個特征的MI值與所有其他特征相加得到一個數值，該數值用于對照門檻值進行選擇檢查。兩個連續随機變量之間的MI值可以用公式計算：
X和Y是兩組連續随機變量，即前後兩幀，x和y是這兩組中的單個随機變量,，換句話說就是左右相機比對的特征點，f（x）和f（y）是邊際機率密度,換句話說就是這個點在所有點中的邊緣機率，f（X，Y）分别是X和Y之間的聯合機率密度。高斯核估計用于獲得聯合機率分布和邊際機率分布，模型如下：
參數h是控制MI值的資料的标準偏差。M是用于估計互資訊的資料點的數目。在使用SURF特征的VO中，選擇了0.15的值作為實驗值，為使用ORB特征的ProSLAM選擇了20的值。通過将聯合機率密度近似為期望值，可以根據上述方程計算出MI的最終方程，如下所示：
本文采用互資訊成對計算的方法，計算左圖像比對後的特征的MI矩陣。對于ORB特征，在計算MI矩陣之前，将特征的二進制值轉換為浮點型。由于這種備援消除與模型拟合無關，是以即使在特征選擇之後，異常點檢測子程式也保持不變。
MIVO架構