0.特征点法
视觉SLAM主要分为视觉前端和优化后端。前端也称为视觉里程计（VO），根据相邻图像的信息估计处粗略的相机运动，给够后端提供较好的初始值。 VO的实现方法，按是否需要提取特征，可分为特征点的前端和不提特征点的直接法前端。
VO的主要问题是如何根据图像估计相机的运动：从图像选取有代表性的点（路标），在相机发生微小变化时会保持不变，接着从各个图片找到相同的点，进而讨论相机位姿估计问题。其中，一种直观的提取特征方式就是在不同图像间辨认角点，确定其关系。
特征点由关键点和描述子俩部分组成。其核心思想为：“提取关键点，计算描述子”。关键点是指该特征点在图像里的位置，有些具有朝向、大小等。描述子为向量，描述了该关键点周围像素的信息，“外观相似的特征应有相似的描述子”。
特征提取：SIFT，考虑了图像变换过程中出现的光照等变化，但是计算量大，需要经过GPU加速后才能满足实时要求。FAST关键点，没有描述子。ORB特征提取，改进了FAST不具方向的问题，运用了BRIEF描述子，较好的选择。
1.1.ORB特征提取
ORB特征提取分为两个步骤：
1.FAST角点提取：找出角点，计算特征点主方向，为后面的描述子增加了旋转不变性。
2.得到描述子，进而对前一步提出特征点的周围图像区域进行描述。
A. 原始FAST关键点：
主要检测局部像素灰度变化明显的地方，速度快。主要思想是：如果一个像素与领域像素差别较大，则很有可能是角点。
检测过程如下：
1.在图像中选取像素p，假设它的亮度为 IpIp 。
2.设置一个阈值TT（比如，IpIp 的30%30%）
3.以像素为中心，选取半径为3的圆上的16个像素点。
4.假如圆上有连续的N个点的亮度大于Ip+TIp+T 或小于 Ip−TIp−T，那么像素pp可以被认为是特征点（NN通常取12，FAST-12，其他取值为9和11）
5.对每个像素执行此操作。
优缺点：
虽然速度快，但是经常会出现角点“扎堆”，FAST特征点数量很大但是不确定，而我们往往希望提取固定数量的特征点。
B. ORB改进后的FAST关键点（Oriented FAST）:
在满足上述方法的前提下，首先对角点进行Harris响应值计算，然后选取前N个具有最大响应值的角点作为最终角点集合。同时添加了尺度和旋转的描述，
尺度不变性：由构建图像金字塔，并在金字塔的每一层上检测角点来实现。
特征的旋转：由灰度质心法实现。
C. BRIEF描述子（Steer BRIEF）
BRIEF是一种二进制描述子，有许多0,1组成，这里的0,1编码了关键点附近俩个像素(比如p和q的大小)关系：如果p比q大，那么取1，反之取0。pp和qq是按照某种概率分布随机选点的比较。如果个我们选择了128个这样的p,qp,q，最 后就得到128维由0,1组成的向量。
计算两个特征点的描述子在向量空间上的汉明距离，距离相近，就可以认为他们是同样的特征点。
1.2.特征匹配
顾名思义，即确定当前看到路标和之前看到的路标之间的对应关系，简而言之，就是希望不同图像之间的特征之间的数据关联问题。通过图像与图像或图像与地图之间的描述子进行准确匹配，可以为后续的姿态估计减轻负担，但是误匹配广泛存在，是限制SLAM的一大瓶颈。
若：
图像提取到的特征点
图像提取到的特征点
匹配方法：
暴力匹配：对图像上的所有特征点历遍求与跟
描述子的距离（欧式距离），进行比较，求出最小值那个。
但是！！当特征点较多时，暴力匹配的运算量会很大，不符合SLAM的实时性要求。
快速近似最近邻(FLANN)算法更适合匹配数量多的情况。
2.1 2D-2D：对极约束
假如从俩张图片中得到了一对配对好的特征点，如果有若干对这样的匹配点，那么可以通过这些二维图像点的对应关系，恢复俩帧之间摄像机的运动。
步骤：
1 根据匹配好的点的像素位置求出E或者F
2 根据E或者F求出R,t
2.2三角测量
三角测量的用途是获得地图上点的深度Z.
3.1PnP(Perspective-n-Point)
PnP是一种求解3D到2D点对运动的方法。描述了当知道n个3D空间点及其投影位置时，如何估计相机的位姿。PnP有很多种求解方法，但是需要掌握的是Bundle Ajustment方法（非线性优化）。简单来说就是一个最小二乘法问题，误差项就是将3D点的投影位置与观测位置作差，即一个重投影误差。详细推到过程见书本。
4.1结论
至此，我们讨论了ORB特征匹配(FAST关键点和BREIF描述子)，通过汉明距离来进行判断匹配，然后讨论了2D-2D(通过匹配像素值求出本质矩阵，进而求出R和t，同时也可通过三角测量来进行深度估计，这个针对单目），3D-2D(通过直接线性变换或者PnP利用相机一坐标系的点求出相机二坐标系的点，然后相机二的点投影到相机然后进行BA优化)。
