视觉SLAM理论入门——（6）视觉里程计之特征点法—特征点

 

一个SLAM系统可以分为前端和后端，其中前端称为视觉里程计，其作用是根据相邻图像的信息估计出粗略的相机运动，给后端提供较好的初始值

视觉里程计的算法主要有两大类：特征点法（主流方法）、直接法

 

1、特征点

视觉里程计的核心问题是根据图像估计相机运动。特征点法是从各个图像中选取相同的有代表性的点（相机视角发生少量变化时，这些点保持不变），在这些点的基础上讨论相机位姿估计问题以及这些点的定位问题。在经典SLAM模型中，这些点是路标；在视觉SLAM中，这些点是图像特征

数字图像在计算机中以灰度值矩阵方式存储。在视觉里程计中，希望特征点在相机运动后保持稳定，而灰度值容易受光照、形变、物体材质等影响，在不同图像之间变化很大，不稳定。因此仅凭灰度值不够，需要对图像提取特征点

特征点是图像里一些特别的地方，一般可以分为角点、边缘、区块。区分同一个角点最简单，区分一个区块最难。在大多数应用中，单纯的角点不能满足需求。例如，从远处看是角点的地方，当相机靠近或者旋转，可能就不显示为角点了。因此，研究者们设计了许多更稳定的局部图像特征，如：SIFT、SURF、ORB，它们比一般的角点有更好的特性：

1、可重复性：相同特征可以在不同图像中找到

2、可区别性：不同特征有不同表达

3、高效率：同一个图像中，特征点数量远小于像素点数量

4、本地性：特征只与一小片图像区域相关

 

特征点由关键点和描述子组成。关键点是特征点在图像中的位置，有些特征点还具有朝向、大小等信息。描述子描述了这个关键点周边像素的信息。只要两个特征点的描述子在向量空间上距离很近，就认为它们是同一个特征点

SIFT（尺度不变特征变换）是一种很精确的表达，但计算量较大。一般CPU无法实时计算SIFT特征，因此SLAM比较少采用

FAST关键点（不是特征点，没有描述子）适当降低精度和鲁棒性，提升计算速度<