edgelet 和 svo 结合点在哪里， edgelet 用在svo中，是什么特征。是谁提出的这种方法

Edgelet和SVO是两种不同的计算机视觉算法。Edgelet算法是一种用于检测图像中边缘的算法，它可以通过检测图像中像素颜色的变化来定位边缘。而SVO（Semi-Direct Visual Odometry）是一种用于视觉里程计的算法，可以通过分析相邻图像之间的像素位移来估计相机的运动轨迹。

在SVO中，Edgelet算法可以用于提取图像中的特征点，这些特征点可以用于跟踪相邻图像之间的像素位移。Edgelet算法提取的特征点比传统的角点和斑点更具有代表性，因为它们能够捕捉到图像中更细微的边缘信息。

这种将Edgelet和SVO结合使用的方法是由ETH Zurich的J. Engel等人在2014年的论文《LSD-SLAM: Large-Scale Direct Monocular SLAM》中提出的。该论文提出了一种基于SVO和Edgelet的方法来实现单目SLAM（Simultaneous Localization and Mapping）。

相关问题

那edgelet-svo 算法中，edgelet 算法，是不是 同 sift， orb 这些算法 在与svo结合中 发挥的作用是一样的。

Edgelet算法与SIFT和ORB算法在SVO中的作用有些不同。

SIFT和ORB算法是特征点提取和描述算法，它们可以在图像中检测出具有显著性质的关键点，并为这些关键点生成描述子。在SVO中，SIFT和ORB算法被用来检测和跟踪场景中的关键点，以帮助计算相机的运动和场景的重建。

Edgelet算法则是一种边缘检测算法，它可以从图像中提取出边缘信息。在SVO中，Edgelet算法用来提取相邻帧之间的视差，以计算相机的运动和场景的重建。相对于SIFT和ORB算法，Edgelet算法更加适合于处理低纹理场景和运动模糊的情况。

因此，SIFT、ORB和Edgelet算法在SVO中的作用有所不同，它们各自负责不同的任务，但都是非常重要的组成部分。

SLAM中的DSO和SVO区别

DSO（Direct Sparse Odometry）和SVO（Semi-Direct Visual Odometry）都是基于视觉里程计（Visual Odometry）的方法，用于估计相机的位姿（位置和姿态）。它们的区别主要在于其实现方式和准确度。

DSO使用直接法（Direct Method）将图像的灰度值作为3D点的强度值，使用稀疏求解器（Sparse Solver）估计相机的位姿，它可以快速高效地估计相机的位姿，但对于纹理较少的场景和动态物体会有较大的误差。

SVO使用半直接法（Semi-Direct Method）将图像的梯度值作为3D点的描述符（Descriptor），根据描述符匹配相邻帧的3D点，并使用稠密求解器（Dense Solver）估计相机的位姿，它对于纹理较少的场景和动态物体的鲁棒性较好，但是由于使用稠密求解器，计算速度较慢。

总之，DSO适合用于图像纹理比较丰富并且需要快速实时估计相机位姿的场景，而SVO适合用于图像纹理较少或有动态物体遮挡的场景，但要求更高的计算资源。