参考：
高翔——《视觉SLAM十四讲》第7讲 视觉里程计1
知乎zhixin yan——Visual SLAM前端技术 - 特征检测与匹配
目录：
1 特征检测
1.1 FAST
1.2 SIFT
1.3 SUFT
1.4 ORB
1.5 总结
2 特征匹配
2.1 暴力匹配 Brute-Force Matcher
2.2 快速近似最近邻 FLANN引入：
要做SLAM就得知道位置；绝对位置不知道也得知道相对位置；相对位置得通过看到的图像来得到；人是以物品为单位看待世界，在这里计算机要通过世界中的特征。不光要知道特征在哪（关键点），还得知道特征长什么样（描述子），才能保证下次再见的时候还能认出它（特征匹配）。
1 特征检测
- 先总结一下书中的部分内容，作为特征检测部分的综述：
（1）提取“特征”是为了稳定性，即各种不变性，比如旋转不变性、光照不变性。
（2）“特征点”是图像中特别的地方，而相对于边缘、区块，选择角点作为“特征点”更合适。
（3）但是角点也并不是那么稳定的特征，所以人们设计出一系列比角点更稳定的特征描述方式，比如SIFT、SUFT、ORB。
（4）特征点 = 关键点（特征点在图像中的位置，可能还具有朝向、大小等信息）+ 描述子（描述关键点周围像素信息）。 - 简单对比：
| 特征 | 是否有描述子 | 速度如何（同一幅图提取1000特征点） |
|---|---|---|
| FAST | × | 快 |
| SIFT | √ | 太慢（5228.7ms） |
| SUFT | √ | 慢（217.3ms） |
| ORB | √ | 快（15.3ms） |
1.1 FAST
Faster and better: a machine learning approach to corner detection
- 主要思想：
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。FAST其实单纯就是一种角点检测方法。 - 检测过程：对每个像素做以下操作
（1）在图像中选取像素p，亮度为Ip；
（2）设置一个阈值T（如Ip的20%）；
（3）以像素p为中心，选取半径为3的圆上的16个像素；
（4）如果圆上有连续N个点的亮度在 Ip+T ~ Ip-T 之间，则认为像素p是特征点。称为FAST-N，常用9、12。
（注1）用trick加速，快速排除绝大多数不是角点的像素：对于FAST-12，只有圆上1、5、9、13号像素的亮度满足在 Ip+T ~ Ip-T 之间时，这个点才有可能是角点，否则直接排除。
（注2）用NMS避免重复：简单来说就是用候选角点之间的交并比（IOU）判断哪些该去掉。非极大值抑制（Non-Maximum Suppression，NMS） - FAST存在的问题：
（1）FAST特征点数量大且不确定：取前N个Harris响应值大的。
（2）FAST角点不具有尺度不变性、旋转不变性：构建图像金字塔（对不同尺度上的图像做FAST角点检测）；灰度质心法（方向由几何中心指向亮度重心）。
1.2 SIFT
1.3 SUFT
1.4 ORB
- ORB概览：
ORB = FAST + BRIEF
（1）FAST提供关键点；
（2）BRIEF对于关键点提供描述子。 - BRIEF的思路：
（1）对于关键点附近的两个像素p和q，p>q取1，反之取0；
（2）至于p和q的选取和顺序，有若干种挑选方法，大体都是按照某种概率分布随机挑选（我不太懂，但是无所谓），速度快（不懂为什么随机选点比较，速度就快）；
（3）最后得到一个0和1组成的128维二进制向量，存储方便。 - 对ORB的总结：
（1）首先，FAST和BRIEF都很快，所以ORB很高效；
（2）改进后的FAST加入了对缩放和旋转的考虑，使得ORB在平移、旋转、缩放下仍具有良好表现；
（3）总的来说，ORB在实时SLAM中很受欢迎。
1.5 特征检测总结
2 特征匹配
- 主要从重要性和难点上做一下综述：
（1）做好特征匹配很重要：可想而知，特征匹配正确为以后的优化等减轻很大负担，匹配错了不就失之毫厘了嘛；
（2）但是经常出现误匹配：比如场景中存在大量重复纹理。
2.1 暴力匹配 Brute-Force Matcher
- 其实没啥好说的：
（1）就是对于两张图片的所有关键点，两个for循环嵌套，循环内部计算两两关键点的描述子距离。
（2）按正常的思路，描述子的“距离”取欧氏距离；而对于BRIEF这种二进制的描述子，取不同位数的个数作为距离。
2.2 快速近似最近邻 FLANN
- 这个就更没啥好说的了：
因为书上说已经整合进OpenCV里了，那就想起来再看看吧。 - 适用情况：
尤其适用于特征点数量很大的时候做匹配。
