SLAM 05.视觉里程计-2-特征法

相机模型是理解视觉里程计之前的基础。本文主要是对高翔博士的《SLAM十四讲》的总结。

我们希望测量一个运动物体的轨迹，这可以通过许多不同的手段来实现。例如，我们在汽车轮胎上安装轮式计数码盘，就可以得到轮胎转动的距离，从而得到汽车运动距离的估计。或者，也可以使用IMU来测量汽车的速度、加速度，通过时间积分来计算它的位移。完成这种运动估计的装置（包括硬件和算法）叫做里程计（Odometry）。里程计一个很重要的特性，是它只关心局部时间上的运动，多数时候是指两个时刻间的运动。当我们以某种间隔对时间进行采样时，就可估计运动物体在各时间间隔之内的运动。由于这个估计受噪声影响，先前时刻的估计误差，会累加到后面时间的运动之上，这种现象称为漂移（Drift）。
如果一个里程计主要依靠视觉传感器，比如单目、双目相机，我们就叫它视觉里程计。视觉里程计最主要的问题是如何从几个相邻图像中，估计相机的运动。在SLAM前端的实现主要是视觉里程计，通过多个图片之间的特征值匹配，进行地图重建，同时得到相机机身的定位。视觉里程计（VIO）主要分为特征法和直接法。
如果说特征点法关注的是像素的位置差，那么，直接法关注的则是像素的颜色差。特征点法通常会把图像抽象成特征点的集合，然后去缩小特征点之间的重投影误差；而直接法则通过warp function直接计算像素点在另一张图像上的颜色差，这样就省去了特征提取的步骤。

基于特征的方法是当前视觉里程计的主流方式，特征方法认为，对于两张图像，应该首先选取一些具有代表性的点，称为特征点。之后，仅针对这些特征点估计相机的运动，同时估计特征点的空间位置。图像里其他非特征点的信息，则被丢弃了。
特征法主要解决如下连个问题：

1. 我们如何获取图像特征点？如何匹配它们？
2. 如何根据已知特征点，计算相机的运动？
   人们设计了很多特征点提取方法，包括图像中的角点、色块等。特征法要解决一个重要问题是：在图像发生一定的改变后，特征点提取算法仍能提取出相同的点，并能判别它们之间的相关性。常用的提取和匹配特征点有Harris角点、SIFT、SURF、ORB等。其中ORB是经典的ORB方法。
   

1、ORB

特征值法首先要找到特征点然后进行匹配。
先了解什么是 特征向量（Feature Vectors）

1.1、地标

一般而言，地标需要满足下面的条件：

1. 地标应该可以从不同的位置和角度观察得到；
2. 地标应该是独一无二的，从而可以很容易的将底边从其他物体中分辨出来
3. 地标不应该过少，从而导致机器人需要花费额外的代价寻找地标；
4. 地标应该是静止的，因而，我们最好不要使用一个人作为地标
   举例来说，室内环境中的地标，我们可以选择为墙壁与地面之间的连线，以及墙角等。

1.2、特征点

特征点作为路标：可区别性、稳定性、重复性。

1.3、寻找特征点

1、通过FAST找到特征点。周围16个点，比较和中心点的阈值，连续n个超过，则认为是一个特征点；
2、方向不变性：几何中心和质心的连线为方向；
3、尺度不变性：不同分辨率下，使用金字塔方法重新通过FAST获取。

1.4、特征子

对于每一个特征点，为了说明它与其他点的区别，人们还使用“描述子”（Descriptor）对它们加以描述。描述子通常是一个向量，含有特征点和周围区域的信息。如果两个特征点的描述子相似，我们就可以认为它们是同一个点。根据特征点和描述子的信息，我们可以计算出两张图像中的匹配点。
特征子：
通常128个bit,每个bit分别为1,0。
两个点，如果a>b,则为1，否则为0.
两个点为随机获取。
每个特征点对应一个描述子。

1.5、特征点匹配

对于两个特征点之间的距离采用汉明距离，代表他们相似度。汉明距离越短表示越相似。汉明距离就是两个特征子异或后出现1的个数，也就是表