特征点提取与匹配
视觉里程计：根据相邻图像的信息估计相机的运动，作为后端的初值
特征点法、直接法
在相机运动过程中观测到的路标点，在某一个位姿，相机观测到物体的像素坐标为$(u,v)$，则对应满足相机模型关系：
特征点提取与匹配
特征点概念
1）路标：有代表性的点
2）特征：图像信息的另一种数字表达形式，角点>特征>区块
特征点 = 关键点 + 描述子
关键点
特征点在图像中的位置
描述子
描述关键点周围像素信息的向量，例如对关键点周围亮度的表现。
在ORB中，在关键点周围随机选择128对或256对点（对于每张相机图像里的每个关键点，都可以使用相同的随机选择模板），以每一对的亮度相似程度按二进制赋值，生成一个128或256位的二进制数，以此数来表述描述子。
同时，在ORB-BRIEF描述子中，考虑到图像的旋转，针对每张图像以灰度质心法计算图像中每个特征点方向，或者计算整体图像旋转的向量，以此旋转向量调整随机选择模板（对随机选择的点也进行旋转），再生成描述子。
最后，对描述子进行特征匹配。在ORB中，描述子的匹配以汉明匹配方式进行匹配。但是在ORB中，BRIEF描述子没有涉及到尺度这一特征。
特征提取算法
SIFT：尺度不变特征变换（计算量大）
FAST关键点：没有描述子（计算快）
ORB：FAST特征点 + BRIEF描述子
ORB特征提取和匹配
FAST关键点
目的是对图像的 平移、旋转、尺度 进行特征提取。
图像金字塔：
用于提取图像的尺度特征，描述相机前后运动的过程
1 塔底为原始图像，每往上一层对图像进行固定倍率（例：1.2，1.5，2倍等）缩放，得到不同分辨率图像（小远大近）
2 两图像间，匹配不同层上的图像
Oriented FAST关键点中没有涉及到这一特性
特征旋转：计算图像灰度质心（以图像块灰度值作为权重的中心 ）
1 图像块的矩：其中，I(x, y)为f(x, y)的二值图像，取值0或1
2 图像块的质心：$ C=(m{10}/m{00},m{01}/m{00}) $
3 特征方向：表示为 $ \theta=\arctan(m{01}/m{10}) $，连接几何中心O和质心C得到的方向向量
BRIEF描述子
在关键点附近随机选取K对点，以K位二进制的形式反映他们的大小关系，以此作为对一个特征点的描述。又由于在FAST关键点中计算了关键点的方向，利用方向信息计算旋转后的特征。
ORB特征匹配
数据关联问题：确定前后看到的路标间的对应关系
问题：1 误匹配 2 匹配方法
描述点的距离表示了两个特征之间的相似程度
注：（SIFT……）快速近似邻近（FLANN），但不适用于计算汉明距离
参考资料：
- 视觉SLAM十四讲：从理论到实践（第2版）. 高翔.