注：该博客是在学习过程中 对知识点的整理 以方便日后查阅
**
本篇小结
**
2个单目相机图像—— 2D-2D间关系 ——对极几何
帧和地图 —— 3D-2D间 —— Pnp
RGB和地图 —— 3D-3D间 —— ICP
一）特征点提取
特征点要求：
可重复性 可区别性 高效（时间快） 本地
特征点信息：
关键点： 位置 大小 方向 评分等
描述子： 特征点周围图像信息
ORB特征点
关键点：Oriented FAST（连续n个点亮度比中间点大或小m 则认为是特征点， 在FAST的基础上计算旋转角度 ）
描述：BRIEF（二进制描述子）
特征匹配：汉明距离
2D—2D对极几何:实际中用于单目SLAM初始化
s1 和s2分别是实物点P到相机中心的垂直距离Z。
x 是未知P
対极约束的本质是：O1，O2和P三点共面
t^：t的反对称矩阵，也是叉乘的意思；t垂直x2（？？？）
E ：3*3矩阵 ，9个变量，可任意乘常数 所以有8个未知数（普通矩阵）
t^R：5自由度
八点法： E乘以任意非零常数后，対极约束依然满足。
p1=（u1，v1，1）^T； p2= （u2，v2，1）^T
x1 = （u1，v1，1）^T; x2 = （u2，v2，1）^T 可看做归一化（像素坐标）
从E计算R,t
(1)满足
八点法适用：
单目一开始初始化会确定尺度问题
当特征点在某平面时（仰视或俯视情况） 会有平面的约束：
**
3D—2DPnP:
DLT方法
已知空间点P和投影点x ；未知：旋转矩阵R和平移矩阵t；
PnP方法解决：（R，t未知）在优化过程中提供重要的梯度方向，指导优化的迭代
求导这的公式不是很明白
**
3D—3D ICP（Iterative Closest Point）（迭代最近点）:
有一组匹配好的3D点（比如两幅RGB-D图像匹配）求R,t
ICP求解也分两种形式：线性代数求解（SVD）；非线性优化方式（Bundle Adjustment）
三角化与深度估计：一致运动求解特征点的3D位置