SLAM14讲第7.1讲总结

在第5.1章双目相机中，我们知道，如果已知视差的情况下，可以得出深度信息。但是其中涉及一个问题。怎么可以得到视差？我们分析可知，我们需要得到相匹配的像素点，才可以得到视差。于是在这一节，引出概念：特征点匹配。 这个事情也是运动状态估计的前提。 在SIFT算法中，特征点分为两块：关键点和描述子。提取关键点和计算描述子 关键点是指该特征点在图像里的位置，有些特征点还具有朝向、大小等信息。描述子通常是一个向量，按照某种人为设计的方式，描述了该关键点周围像素的信息。
关键点（特征点的提取）
选取什么样的点作为关键点？什么样的点才是有代表性的点？
代表性指出，我们希望特征点在相机运动之后保持稳定，即在同一选取特征点的方式下，他仍然是一个特征点。然而单一像素的点作为特征点显然是不够的，我们需要提取出更具有代表性的“点”来作为我们的特征点。以下是三种经典的选择方式，slam14讲主要讲解的就是角点的选取，这样的选取方法可

SLAM14讲第7.1讲总结最先出现在Python成神之路。