在slam中vo的實現方法可以根據是否需要提取特徵分為兩類：
基於特徵點的方法
不使用特徵點的直接方法。
其中基於特徵點的vo執行穩定，對光照、動態物體不敏感。
影象特徵點的提取和匹配是計算機視覺中的乙個基本問題，在視覺slam中就需要首先找到相鄰影象對應點的組合，根據這些匹配的點對計算出相機的位姿（相對初始位置，相機的旋轉和平移）。
如何高效且準確的匹配出兩個不同視角的影象中的同乙個物體，是許多計算機視覺應用中的第一步。雖然影象在計算機中是以灰度矩陣的形式存在的，但是利用影象的灰度並不能準確的找出兩幅影象中的同乙個物體。這是由於灰度受光照的影響，並且當影象視角變化後，同乙個物體的灰度值也會跟著變化。所以，就需要找出一種能夠在相機進行移動和旋轉（視角發生變化），仍然能夠保持不變的特徵，利用這些不變的特徵來找出不同視角的影象中的同乙個物體。然後在這些特徵的基礎上研究相機的位姿估計問題，以及這些特徵的定位問題。在經典的slam模型中，這些特徵點被稱為路標；在vslam中則被稱為影象特徵。
為了能夠更好的進行影象匹配，需要在影象中選擇具有代表性的區域，例如：影象中的角點、邊緣和一些區塊。其中在影象識別出角點是最容易，也就是說角點的辨識度是最高的。所以，在很多的計算機視覺處理中，都是提取角點作為特徵，對影象進行匹配，例如sfm，視覺slam等。
但是，單純的角點並不能很好的滿足我們的需求，例如：相機從遠處得到的是角點，但是在近處就可能不是角點；或者，當相機旋轉後，角點就發生了變化。為此，計算機視覺的研究者們設計了許多更為穩定的的特徵點，這些特徵點不會隨著相機的移動，旋轉或者光照的變化而變化。例如：sift,surf,orb等
乙個影象的特徵點由兩部分構成：關鍵點（keypoint）和描述子（descriptor）。
關鍵點指的是該特徵點在影象中的位置，有些還具有方向、尺度資訊；
描述子通常是乙個向量，按照人為的設計的方式，描述關鍵點周圍畫素的資訊。通常描述子是按照外觀相似的特徵應該有相似的描述子設計的。
因此，在匹配的時候，只要兩個特徵點的描述子在向量空間的距離相近，就可以認為它們是同乙個特徵點。
特徵點的匹配通常需要以下三個步驟：(關鍵點 →
\rightarrow
→ 描述子 →
\rightarrow
→ 匹配)
提取影象中的關鍵點，這部分是查詢影象中具有某些特徵（不同的演算法有不同的）的畫素
根據得到的關鍵點位置，計算特徵點的描述子
根據特徵點的描述子，進行匹配
假設灰度影象畫素點a周圍的畫素存在連續大於或者小於a的灰度值，選擇任意乙個畫素點p，假設半徑為3，周圍16個畫素表示
則畫素點p被標記為候選特徵點、通常n取值為9、12，上圖n=9
n=9n=
9。在fast-12演算法中，為了簡化計算，可以通過計算1、9、5、13四個點進行**試，至少其中三個點滿足上述不等式條件，即可將p視為候選點進行檢測，否則可以直接進行排除。
原始的fast角點經常出現「扎堆」的現象，所以第一遍檢測之後，還需要用非極大值抑制，在一定區域內僅保留響應極大值的角點，避免角點集中的問題。
優點：fast特徵點主要檢測區域性畫素灰度變化明顯的地方，相比其它演算法，它只需要比較畫素亮度的大小，速度很快
缺點： fast特徵點的數量大而不確定，沒有尺度和旋轉的描述
fast進行orb，根據上文提到的弱點進行改進。
首先由於fast的特徵點的數量大而不確定，因此指定最終提取的角點數量為n，對原始fast角點分別計算harris響應值，然後選取前n個具有最大響應值的角點作為最終的角點集合。
然後針對fast角點不具備方向性和尺度的弱點，orb新增了尺度和旋轉的描述。
尺度:這個問題通過構建影象金字塔並在每一層上檢測角點來實習
旋**這個問題通過構建影象塊幾何中心和像素質心的向量來實現
幾何中心位於影象塊原點，像素質心可以通過影象塊來實現
m pq
=∑x,
y∈bx
pyqi
(x,y
)，p,
q=0,
1m_=\sum_x^y^i(x,y)，p,q=
mpq=x
,y∈b
∑xp
yqi(
x,y)
，p,q
=0,1
那麼影象塊的質心可以定義為：
c =(
m10m00
,m01m
00)c=(\frac}},\frac}})
c=(m00
m10
,m
00m
01
)幾何中心和像素質心的方向向量為:
θ =a
rcta
n(m01
/m10)
\theta=arctan(m_/m_)
θ=arct
an(m
01/
m10
)需要說明的是fast和oriented fast兩種方式都不是描述子，這只是選出關鍵點的一種方式
brief是一種二進位制描述子，其描述向量由許多個0和1組成，計算步驟如下：
1、為減少雜訊干擾，先對影象進行高斯濾波（方差為2，高斯視窗為9x9）。
2、以特徵點為中心，取sxs的鄰域視窗。在視窗內隨機選取一對（兩個）點，比較二者畫素的大小，進行如下二進位制賦值。
τ (p
;x,y
)=1 & \ \ if\ p(x)τ(
p;x,
y)={
10i
fp(x
)y)ot
herw
ise
3、在視窗中隨機選取n對隨機點，重複步驟2的二進位制賦值，形成乙個二進位制編碼，這個編碼就是對特徵點的描述，即特徵描述子。（一般n=256）
以上便是brief特徵描述演算法的步驟。
它主要是利用乙個滑動的視窗，對於某個固定方向的（u，v）（u，v）(u，v)，我們可以得到在當前畫素下的視窗進行移動所產生的畫素差
泰勒展開然後一階近似，並將其轉換成二次型
可以根據二次型中的矩陣的兩個特徵值來判斷是否是角點，如果特徵值都很大，則是角點；如果都很小，則是平滑的區域，否則是平滑的區域
也可以直接利用harrix進行檢測出關鍵點
非極大值抑制nms在目標檢測，定位等領域是一種被廣泛使用的方法。對於目標具體位置定位過程，不管是使用sw(sliding window)還是ss(selective search)方法，都會產生好多的候選區域。實際看到的情形就是好多區域的交叉重疊，難以滿足實際的應用。如下圖所示。
針對該問題有3種傳統的解決思路。
選取好多矩形框的交集，即公共區域作為最後的目標區域。
選取好多矩形框的並集，即所有矩形框的最小外截矩作為目標區域。當然這裡也不是只要相交就直接取並集，需要相交的框滿**集佔最小框的面積達到一定比例(也就是閾值)才合併。
nms，簡單的說，對於有相交的就選取其中置信度最高的乙個作為最後結果，對於沒相交的就直接保留下來，作為最後結果。
特徵點法的巔峰之作 ORBSLAM2
orb slam 是西班牙 zaragoza 大學的 ra l mur arta 編寫的視覺 slam 系統。它是乙個完整的 slam 系統，包括視覺里程計 跟蹤 回環檢測，是一種完全基於稀疏特徵點的單目 slam 系統，同時還有單目 雙目 rgbd 相機的介面。其核心是使用 orb orinted...
特徵點法的巔峰之作 ORBSLAM2
orb slam 是西班牙 zaragoza 大學的 ra l mur arta 編寫的視覺 slam 系統。它是乙個完整的 slam 系統，包括視覺里程計 跟蹤 回環檢測，是一種完全基於稀疏特徵點的單目 slam 系統，同時還有單目 雙目 rgbd 相機的介面。其核心是使用 orb orinted...
SIFT特徵匹配
影象特徵分很多種，例如顏色特徵 紋理特徵 形狀特徵 空間關係特徵等。常用的特徵為sift特徵。sift scale invariantfeaturetransform，sift 具有以下特性 1 對平移 旋轉 伸縮 亮度 遮擋和雜訊等具有良好的不變性，對視覺變化 仿射變換也有一定的穩定性。2 即使少...