特征提取与匹配
特征点
特征点为图像中具有代表性的部分,例如轮廓点，具有以下特点:
- 可重复: 能在不同的俩张图中找到相同的特征点（为了匹配）
- 可区别: 能量化的表达特征点之间的区别并区分
- 高效性: 特征点数量远低于图片像素
- 本地性: 仅仅与图片中的一小部分有关，不受别的区域影响
特征点具有 以下俩大信息
关键点：位置、大小、方向、评分
描述子：特征点周围的像素信息
良好的特征点不受光线、噪点、几何形变的干扰。
常见的特征检测有SIFT、SUFT、ORB等
ORB特征
关键点
Oriented FAST（改进后的FAST角点）
主要检测局部像素灰度变换较为明显的地方（这种地方具有更大的概率为角点）
FAST角点检测
- 对任意像素$P$，取灰度值（亮度）$ I_{p} $ ，设置一阈值$ T $ 用于后续筛选 （例如$ I_{p} $的20%）
- 选取以$ P $为中心的半径为$3$上的圆上的$16$个像素点，若该圆上具有连续$N$个点的亮度不在$I_{p} \pm T$ 范围内 则像素P可以被认为是特征点（N通常取12，即为FAST-12特征。场景的还有FAST-9、FAST-11）
- 对每个像素执行以上相同操作，找出所有特征点
缺点
- 容易分布不均匀（扎堆现象）
- 不具有方向信息且存在尺度问题
ORB解决的FAST的缺点，通过图像金字塔来实现尺度不变形，用旋转质心法解决旋转问题
对于扎堆问题，一般会用非最大值抑制：
1.计算各个特征点的分数(特征点与圆环16个点之间的绝对值差的和)
2.丢掉临近范围内分数较低的点，仅保留最大值
图像金字塔
底层为原始图像，每上一层对图像进行一个比例缩放，形成一个“金字塔”，在特征匹配中则可以对不同层的金字塔进行匹配，从而实现尺度不变性
灰度质心法
对于检测点四周一小块图像B(ROI区域)、图像的矩$m_{pq}$定义为:
$$ m_{pq} = \sum_{x,y\in B} x^{p}y^{q}I_{xy},p,q =\left \{ 0,1\right \} $$
x,y为像素坐标，$I_{xy}$表示该坐标的灰度值
图像B的质心C可以通过矩找到:
$$ C = \left ( \frac{m_{10}}{m_{00}},\frac{m_{01}}{m_{00}} \right ) $$
方向向量 $\overrightarrow{OC} $ 即几何中心O和质心C的连线,可以确定为该特征点的方向,一般用角度$\theta $表示
$$ \theta = \arctan \left ( \frac{m_{01}}{m_{10}} \right ) $$
《ORBSLAM源码理论分析０—灰度质心法》 中有详细的计算过程
描述子
BRIEF
一种二进制描述子，由0和1组成一串
0 和 1 的意义代表关键点附近俩个像素点pq灰度的大小关系:1代表p>q、0代表p<q,p和q的选取方法有很多种
1.在图像内平均采样
2.pq均符合$(0,\frac{1}{25},S^{2})$的高斯分布
3.p符合$(0,\frac{1}{25},S^{2})$的高斯分布、q符合$(0,\frac{1}{100},S^{2})$的高斯分布
4.p固定为(0,0),q在周围平均采样
.........
一般都被固定下来，将匹配坐标由一个二维数组保存，方便计算描述子
原始的BREIF描述子不具备旋转不变性，而ORB在特征提取阶段计算了特征点的方向，因此使用旋转后的BRIEF描述子也具有旋转不变性
BRIEF是一种二进制描述，需要用汉明距离度量
特征匹配
特征匹配是为了将SLAM中的数据关联起来，即确定不同观测角度中路标对应的关系、利用描述子将特征点进行精确匹配，即可确定俩张图像中的某一个点为现实中的同一个位置
由于图像特征的局部性，仍然存在误匹配的情况
匹配方法
- 暴力匹配：对T时刻的每一个特征点，测量与T+1的时刻所有特征点的距离，排序，由最近的开始匹配
- 快速近似最近邻法（FLANN)
