前段的作用就是‘估算运动’，后段的作用的对前段的结果进行优化统一。前端根据相邻图像的信息估计出粗略的相机运动信息，作为后端的初始值。前端的实现，根据是否需要提取特征点，分为特征点法和直接法。
一、特征点法：
1、图像特征是一组与计算任务相关的信息，计算任务取决于具体的应用
2、特征点在相机移动后能够保持稳定
3、特征点性质：可重复性、可区别性、高效率、本地性
4、关键点、描述子
5、SIFT特征、FAST关键点、ORB特征（FAST关键点的改善版本+BRIEF描述子）
6、特征匹配：解决了SLAM中的数据关联问题，即确定当前看到的路标与之前看到的路标的对应关系
7、集成到Opencv中的FLANN快速近似最近邻算法
二、特征提取与匹配实践
1、提取ORB特征、使用opencv中的工具进行匹配
2、特征匹配之后，我们就可以使用匹配好的点对相机运动进行估计。当然，在这之前，我们要消除误匹配。
3、根据相机原理的不同，运动估计的方法也就不同
（1）单目相机：对极几何
（2）双目、RDB-G相机：ICP
（3）如果有3D点及其在相机的投影位置：PnP
三、各种运动估计方案的实现，这里就不多说了。
