特征

orb特征提取

视觉SLAM十四讲的第七讲里面关于特征的部分的复习

为什么需要图像特征？

视觉SLAM里面依靠图像的变化感知周围的物体，以及相机的运动。

通俗一点的讲，就是在什么样的运动情况下，现实世界中的若干个点能够在相邻的两张图像中投影成当前的情况。

那么正常的思路就是将A图像中的一点经过射影，映射出去，然后把B图像中与之对应的点射影出去，两者的交点恢复到真实世界的点，然后通过更多点的约束点恢复相机的运动

在这个过程中很关键的一个点就是怎么知道，图像A中的一点在图像B中的一点的位置。特征的出现就是为了解决这个问题。

什么是特征？

对于特征（传统SLAM中叫做路标），脑海里冒出来的第一个想法可能是通过图像块的灰度值匹配，但是在实际情况下，由于光照、视角的变化，图像块的灰度值会发生比较明显的变化，基于图像块的匹配非常的不稳定。

特征用于SLAM主要要解决两个问题，第一：从两张图片中尽可能多的检测出相同的关键点，第二：从两张图片中尽可能的匹配出更多的特征点。也就是说这里有两个过程，检测和匹配。

检测过程需要特征中的关键点提取方法，匹配的过程需要特征中的关键点描述方法，所以特征就由着两部分组成：关键点和描述子

ORB特征

ORB特征的出现是为了解决SIFT特征的速度慢的问题，在关键点检测的方法上使用了FAST的方法，在描述上，使用了BRIEF的描述子

FAST的方法，非常的简单，就是在图像的像素位置上取一个半径为3的圆上的16个像素点，如果圆上有连续的N（9或者11）个点大于或者小于中心点的灰度值得20%，那么这个点就是关键点

考虑到半径是固定的，这对于相机的前后移动可能会产生不一致的结果，所以可以加上图像金字塔。同时某一块区域可能出现非常多相似的关键点，极有可能会导致误匹配，所以这里可以使用非极大值抑制对选取出来的关键点进行筛选

而且考虑到图像的旋转，可以使用灰度质心的方法获取图像的旋转描述

BRIEF描述子也较为的简单，就是在关键点的周边随机的选取128组点(p,q)，如果p>q，那么就为1，如果p<1，那么就为0，这样就得到了有一个128维度的二进制的向量，在匹配的过程中，可以使用汉明距离，就是有多少个值是一样的（对于其他的浮点数的描述子可以考虑使用欧式距离）