特征点由关键点(Key-point)和描述子(Descriptor)两部分组成。其中,关键点是指该特征点在图像里的位置,有些特征点还具有朝向、大小等信息。描述子通常是一个向量,按照某种人为设计的方式,描述了该关键点周围像素的信息。描述子是按照“外观相似的特征应该有相似的描述子”的原则设计的。
ORB特征(Oriented FAST and Rotated BRIEF):由FAST关键点(Oriented FAST,一种改进的 FAST 角点)和BRIEF描述子(Binary Robust Independent Elementary Features)组成。
提取 ORB 特征分为两个步骤: 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。
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。
(原文链接:https://blog.csdn.net/weixin_43891708/article/details/121119445)
- 累积漂移:视觉里程计只估计了两个图像间的运动,而每次的估计都有一定的误差,由于里程计的工作方式,导致先前时刻的误差会传递到下一时刻,一段时间后,估计的轨迹不准确
鲁棒性(Robustness):是指一个计算机系统在执行过程中处理错误,以及算法在遭遇输入、运算等异常时继续正常运行的能力。 诸如模糊测试之类的形式化方法中,必须通过制造错误的或不可预期的输入来验证程序的健壮性。即 一个系统或组织有抵御或克服不利条件的能力。
视觉 SLAM关键性问题:特征检测与匹配
点特征使用:
SIFT(Scale-invariant feature transform):即尺度不变特征变换,是用于图像处理领域的一种描述。这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。
步骤
1、提取关键点:关键点是一些十分突出的不会因光照、尺度、旋转等因素而消失的点,比如角点、边缘点、暗区域的亮点以及亮区域的暗点。此步骤是搜索所有尺度空间上的图像位置。通过高斯微分函数来识别潜在的具有尺度和旋转不变的兴趣点。
2、定位关键点并确定特征方向:在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。然后基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性。
3. 通过各关键点的特征向量,进行两两比较找出相互匹配的若干对特征点,建立景物间的对应关系。
原文链接:https://blog.csdn.net/qq_44666320/article/details/118188455
SURF(Speeded Up Robust Feature)特征:是对SIFT算法的改进,其基本结构、步骤与SIFT相近,但具体程有所不同,相对于SIFT特征的算法速度提高了3到7倍,且稳定性好。
Oriented FAST and Rotated BRIEF
原文链接:https://blog.csdn.net/zouzoupaopao229/article/details/52625678