基础：三角化估计深度
在不同的位置观测同一个三维点P(x, y, z)，已知在不同位置处观察到的三维点的二维投影点p1(x1, y1), p2(x2, y2)，利用三角关系，恢复出三维点的深度信息z。
由于两条直线无法相交，通过最小二乘法求解。
按照对极几何中的定义，设x1, x2为两个特征点的归一化坐标，则它们满足：
s1x1 = s2Rx2 + t 公式(1)
左右两侧分别乘以x1^，得：
s1x1^x1 = 0 = s2x1^R x2 +x1^ t
可以先求出s2，再求s1.最后得到特征点的空间位置。
Mapping部分主要是计算特征点的深度。单目VO中，刚刚从图像中提取的热乎的关键点是没有深度的，需要等相机位移之后再通过三角化估计深度。我们知道通过两帧图像的匹配点就可以计算出这一点的深度值，如果有多幅图像，那就能计算出这一点的多个深度值。这就像对同一个状态变量我们进行了多次测量，因此，可以用贝叶斯估计来对多个测量值进行融合，使得估计的不确定性缩小。如下图开始深度估计的不确定性较大(浅绿色部分)，通过三角化得到一个深度估计值以后，能够极大的缩小这个不确定性(墨绿色部分)。
- 如果进来一个关键帧，就提取关键帧上的新特征点，作为种子点放进一个种子队列中。
- 如果进来一个普通帧，就用普通帧的信息，更新所有种子点的概率分布。如果某个种子点的深度分布已经收敛，就把它放到地图中，供追踪线程使用。
普通帧更新种子点概率分布（极线搜索）：
由于种子点的深度不确定，它在别的帧里看起来就在一条直线（极线）上。于是你从这条极线的一个端点走到另一个端点，把每处的图像块都和参考的去比较，就可以（可能）找到正确的匹配了。哦别忘了要Affine Warp一下……找到之后，让depth filter更新其深度分布即可。
在极线上寻找和u最相似的点u′，通过三角测量计算得到深度x及不确定性τ，然后利用贝叶斯概率模型更新P点的估计。
在深度估计的过程中，除了计算深度值外，这个深度值的不确定性也是需要计算的，它在很多地方都会用到，如极线搜索中确定极线的起始位置和长度，如用贝叶斯概率更新深度的过程中用它来确定更新权重(就像卡尔曼滤波中协方差矩阵扮演的角色)，如判断这个深度点是否收敛了，如果收敛就插入地图等等。
高斯—均匀混合分布的逆深度（由四个参数描述）
补充1、两个高斯分布乘积
重点参考：
http://www.cnblogs.com/luyb/p/5773691.html