【读书笔记】《视觉SLAM十四讲（高翔著）》 第7讲

7.1 特征点法 （P132）

视觉SLAM→前端（视觉里程计VO）→特征点法（主流）、直接法
→后端

【7.1.1 特征点】
特征点概念的引入：特征点——图像中比较有代表性的点。特征点应该在相机运动之后保持稳定。
目前知名的特征点：SIFT SURF ORB等，这些人工设计的特征点具备如下性质：可重复性，可区别性，高效率，本地性。

特征点的组成：关键点+描述子
关键点：表示特征点在图像中的位置，有些还包含朝向、大小等信息；
描述子：通常是1个向量，描述了关键点周围的像素的信息。外观相似的特征应该有相似的描述子，只要两个特征点的描述子在向量空间上距离很近，就可以认为他们是同样的特征点。

特征点算法在精度和计算速度之间的权衡：SIFT：高精度、但计算量大。FAST：速度快，但是牺牲了精度和健壮性。ORB：质量和性能之间较好的折中。

【7.1.2 ORB特征】
ORB特征也是由关键点和描述子两部分组成。关键点：Oriented FAST，描述子：BRIEF。关键点是用于找出图像中的角点，描述子：对前一步提取出来的特征点的周围图像区域进行描述。

FAST关键点：一种角点，检测局部像素灰度变化明显的地方，以速度快著称。
P134 135 136
检测过程
↓
非极大抑制，在一定区域内保留极大值角点，避免角点集中的问题。
↓
FAST关键点的问题：
①FAST特征点数量大且具备不确定性——选取前N个具有最大响应的角点作为最终的角点集合。
②不具备方向信息——在ORB中添加尺度和旋转的描述作为改良。

BRIEF描述子：是一种二进制描述子，由0 1 组成。 书P136

总结：由于考虑到了旋转和缩放,使得 ORB 在平移、旋转、缩放的变换下仍有良好的表现。同时，FAST 和 BRIEF 的组合也非常的高效，使得 ORB 特征在实时 SLAM 中非常受欢迎。

【7.1.3 特征匹配】
特征匹配：确定当前看到的路标与之前看到的路标之间的对应关系。通俗地讲，就是两张照片寻找对应的点。特征匹配解决了SLAM中的数据关联的问题。
特征匹配的方法：暴力匹配：计算量大，无法满足实时性；相比而言，快速近似最近邻（FLANN）算法更加适合于匹配点极多的情况。
这些匹配算法已经集成到OpenCV。

7.2 实践：特征提取和匹配 （P138）

程序编译运行方法：
在/home/yuanchang/slambook-master/ch7目录下打开终端，
①mkdir build
②cd build
③

④make
⑤

7.4 实践：对极约束求解相机的运动

程序编译运行方法：

7.6 实践：三角测量

程序编译运行方法：

7.8 实践：求解PNP

程序编译运行方法：

7.10 实践：求解ICP

程序编译运行方法：

参考网站

视觉SLAM十四讲-第七讲笔记
《视觉SLAM十四讲》笔记（ch7）