SLAM学习——特征点SIFT、SURF、ORB

SLAM的本质问题在于让计算机识别出连续两幅图像之间的姿态变化，通常需要在图像中选取一些特征点作为标识用来计算相机位姿变化。注意特征点不是角点，不仅包括点的位置，还包括点的特征描述。
常用的特征点包括：

1）SIFT特征点（尺度不变特征变换，ScaleInvariant Feature Transform）

SIFT特征点属于最常见的特征点，它充分考虑了在图像变换过程中出现
的光照，尺度，旋转等变化，但随之而来的是极大的计算量。由于整个 SLAM 过程中，图
像特征的提取与匹配仅仅是诸多环节中的一个，到目前（2016 年）为止，普通 PC 的 CPU
还无法实时地计算 SIFT 特征，进行定位与建图。所以在 SLAM 中我们甚少使用这种“奢
侈”的图像特征

2）SURF特征点

后续补充吧

3）ORB特征点

ORB 特征亦由关键点和描述子两部分组成。它的关键点称为“Oriented FAST”，是一种改进的 FAST 角点，它的描述子称为 BRIEF（Binary Robust Independent Elementary Features）。因此，提取 ORB 特征分为两个步骤：

1. FAST 角点提取：找出图像中的” 角点”。相较于原版的 FAST, ORB 中计算了特征
   点的主方向，为后续的 BRIEF 描述子增加了旋转不变特性。（FAST 是一种角点，主要检测局部像素灰度变化明显的地方，以速度快著称。它的思想是：如果一个像素与它邻域的像素差别较大（过亮或过暗） , 那它更可能是角点。相比于其他角点检测算法， FAST 只需比较像素亮度的大小，十分快捷。）
2. BRIEF 描述子：对前一步提取出特征点的周围图像区域进行描述。(BRIEF 是一种二进制描述子，它的描述向量由许多个 0 和 1 组成，这里的 0 和 1 编码了关键点附近两个像素（比如说 p 和 q）的大小关系：如果 p 比 q 大，则取 1，反之就取 0。如果我们取了 128 个这样的 p; q，最后就得到 128 维由 0， 1 组成的向量。)

根据测试，在同一幅图像中同时提取约 1000 个特征点的情况下，SIFT 约花费 5228.7ms， SURF 约花费 217.3ms， ORB 约要花费 15.3ms。由此可以看出 ORB 在保持了特征子具有旋转，尺度不变性的同时，速度方面提升明显，对于实时性要求很高的 SLAM 来说是一个很好的选择。