本文介绍了视觉SLAM中特征点法的重要性，特别是ORB特征点，包括其由Oriented FAST关键点和BRIEF描述子组成的优势。ORB在保持旋转和缩放不变性的同时，提供高效的特征匹配，适用于实时SLAM。文中还提到了特征匹配的步骤和方法，并概述了后续章节的实践内容，如对极约束、三角测量、PNP问题和ICP的求解。
文章目录
7.1 特征点法 （P132）
视觉SLAM→前端（视觉里程计VO）→特征点法（主流）、直接法
→后端
【7.1.1 特征点】
特征点概念的引入：特征点——图像中比较有代表性的点。特征点应该在相机运动之后保持稳定。
目前知名的特征点：SIFT SURF ORB等，这些人工设计的特征点具备如下性质：可重复性，可区别性，高效率，本地性。
特征点的组成：关键点+描述子
关键点：表示特征点在图像中的位置，有些还包含朝向、大小等信息；
描述子：通常是1个向量，描述了关键点周围的像素的信息。外观相似的特征应该有相似的描述子，只要两个特征点的描述子在向量空间上距离很近，就可以认为他们是同样的特征点。
特征点算法在精度和计算速度之间的权衡：SIFT：高精度、但计算量大。FAST：速度快，但是牺牲了精度和健壮性。ORB：质量和性能之间较好的折中。
【7.1.2 ORB特征】
ORB特征也是由关键点和描述子两部分组成。关键点：Oriented FAST，描述子：BRIEF。关键点是用于找出图像中的角点，描述子：对前一步提取出来的特征点的周围图像区域进行描述。
FAST关键点：一种角点，检测局部像素灰度变化明显的地方，以速度快著称。<
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
