阮晓钢， 李 昂， 黄 静

(1. 北京工业大学信息学部， 北京 100124； 2.计算智能与智能系统北京市重点实验室， 北京 100124)

视觉同时定位与地图构建(simultaneous localization and mapping，SLAM)是实现自动驾驶和虚拟现实等新兴技术的基础，而视觉里程计作为视觉SLAM的前端[1]，能够描述机器人、车辆等移动物体的自我运动过程，从而实现定位功能. 视觉里程计进行定位的基本模式为：首先，利用摄像机捕获连续运动时间内的图像序列；然后，通过算法计算相邻图像间的运动关系；最后，输出相机的相对姿态参数. 这一过程也称为视觉位姿估计[2]. 准确的位姿估计是实现导航任务的关键.

传统的位姿估计方法主要为特征法[3-5]和直接法[6-8]. 特征法充分利用了图像的几何信息，主要包含特征提取、特征匹配、误匹配剔除和运动估计等步骤，目前已经成为一种标准的黄金法则，而直接法则使用了图像的光度信息，通过直接计算像素值估计相机的运动. 上述2类方法虽然在准确性和鲁棒性上展示了不错的性能，但仍然存在一些关键性问题. 特征法提取的是人为设计的低级特征，只适用于具有明显特征的场景，当面对纹理单一、存在动态物体的场景时，难以提取到有效的特征. 直接法虽然不需要进行特征提取，但在利用图像的像素值时使用了光度一致性假设，这种假设在面对光照变化明显的场景时难以成立，将直接导致算法失败.

近年来，深度学习已经在许多计算机视觉任务中取得了很好的效果，其中……