（一）特征提取

特征提取

       特征的种类在图像领域主要分为点，线，面。线特征和面特征对图像信息利用得更多，因而其分辨性更高。但遗憾的是，由于线特征和面特征提取的条件比较苛刻，因此在实际应用中并不广泛。(尽管在SLAM中也有点线结合的实例，在图像纹理较弱的情况下，线特征可以发挥更大的用处。但是却是在增加计算量的同时，提高的性能较为有限。)随着深度学习在图像方面的不断提升，基于全图学习得到的特征向量性能不断提高，甚至超越了手工设计的特征点。这也是前面所说的，由于对图像信息利用得更加全面，才使得特征向量的识别性能越来越好。

      在视觉SLAM中，特征主要还是用点特征。

>>  点特征主要分为两大类：

1. 基于手工设计的特征点：这类特征点主要是凭借人们对几何学以及数学上的一些认识，对图像中的某一块特殊区域进行建模得到描述函数。典型的比如SIFT，利用差分高斯金字塔计算图像中比较特殊的点，再通过该点的领域信息对其进行描述，得到最终的描述函数。
2. 基于深度学习得到的特征向量：这类特征点主要是对深度学习网络进行设计，使其通过多个卷积和池化操作来取得图像中比较有用的信息。说起来是比较抽象的，个人理解，深度学习虽然看起来是个大箱子，但是实际上，各个卷基层都是一个函数 $f_{i}(x)$，最终的输出就是多个复合函数的函数值 $G = f_{N}(f_{N-1}(...f_{1}(x)...))$。前期的网络设计主要是模仿手工描述子的计算步骤，各个卷基层的操作与手工描述子并无二致。后期的主要是为了利用更多的图像信息，弥补了手工描述子的不足。(这类网络的设计通常是将手工设计的特征点图块作为训练集，输入到网络中进