VSLAM基础（一）————常见特征点提取算法及匹配优化

过年期间闲来无事，就想来把这半年学习的一些视觉知识（视觉slam相关）做个梳理，就以这篇图像特征点提取与匹配作为开头吧。

一、关键点与描述子

关键点：图像上某些特殊的、具有代表的点（常见表示就是图像上的横纵坐标、主方向、尺度等）。

描述子：用一些数学方法描述关键点（常见表示是n维向量）。

1）harris角点检测

角点原理来源于人对角点的感性判断，即图像在各个方向灰度有明显变化。算法的核心是利用局部窗口在图像上进行移动判断灰度发生较大的变化，所以此窗口用于计算图像的灰度变化为：[-1,0,1;-1,0,1;-1,0,1][-1,-1,-1;0,0,0;1,1,1]。人各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。

harris角点性质：

Harris角点检测算子对亮度和对比度的变化不敏感；

Harris角点检测算子具有旋转不变性；

Harris角点检测算子不具有尺度不变性；

2）SIFT

SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换，由加拿大教授David G.Lowe提出的。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。

2.1 SIFT算法具的特点

1. 图像的局部特征，对旋转、尺度缩放、亮度变化