视觉里程计
主要目标：
- 理解图像特征点的意义，掌握单幅图像提取特征点及多幅图像中匹配特征点的方法
- 理解对极几何原理，利用对极约束，恢复图像之间的camera位姿
- 理解PnP问题，利用已知三维结构与图像对应关系，求解camera位姿
- 理解ICP问题，利用点云匹配关系，求解camera位姿
- 理解三角化获得二维图像上对应点的三维结构
图像特征性质：多图可重复、可区别、高效率、本地性
对极几何：从两张RGB图的特征匹配中求解本质矩阵，从而推出R，t.由8组特征匹配对SVD求解有4个可能解，幸运地只有一个解均在两个相机的光轴正向。但因缺乏深度尺度，所以t为单位1.
不稳定的问题：1.初始化纯旋转t为0，三角化R不稳定； 2.多于8个特征匹配点可用最小二乘或者RANSAC方法求E，F，H；
三角测量：将两个二维点对以及之间的位姿变换输入opencv的triangulatePoints中，得到点对的三维空间坐标；由于三角测量由平移产生，引出核心矛盾：平移小，则像素有较大深度不确定性；平移大，则图像外观变化大，特征匹配困难。
PnP:载入两张RGB图及其中一张对齐的Depth图，使用opencv的solvePnP解三维点对及二维点对的外参位姿变化R，t;
Bundle Adjustment：用于最小化重投影误差，将观测到的三维空间点与当前估计位姿投影位置得到的误差。考虑匹配特征点上的最优化重投影。
ICP方法：载入两个位姿状态的RGBD图，图像匹配后获得匹配好的3D点对，直接采用线性代数的求解（SVD）及BA优化获得最佳外参位姿即可。
课后习题
1.图像特征点原理及区别
Harris角点：基于图像灰度的一阶导数滤波检测，主要依赖与移动方向窗口内图像块的相似性。
SIFT/SURF：1.构建高斯差分金字塔 2.准确提取关键点 3.结合邻域构建描述子
2.opencv接口，SIFT::create(nfeatures, nOctavelLayers, constrastThreshold, edgeThreshold, sigma);
特征数量，金字塔最小层数，特征过滤阈值，边缘过滤阈值，高斯层级。
默认参数下，1000个SIFT特征点用时0.15s;
3.如何让特征点分布更均匀：goodFeatureToTrack(GFTT)方法
4.特征匹配方法有哪些？
FLANN快速最近邻搜索包，大数据下比BFMatcher暴力搜索要佳。FLANN主要三种算法：KD tree, k-means tree, hiearachy tree;
5.其他PNP方法：EPNP精度较高，复杂度为O（N）.DLT更快，精度下降。
6.G2O可把两图的空间点都加进来一起优化
7.图像误匹配影响整体优化效果，可以通过鲁棒核函数降低影响程度，同时引入RANSAC.
视觉里程计2
本章目标：
- 理解光流法特征点跟踪
- 理解直接法估计相机位姿
- 使用G2O进行直接法计算