特征提取匹配

单目视觉特征

单目问题
单目尺度不确定性，无法直接获得绝对尺度信息

ORB特征 二进制

特征组成
包含关键点(Keypoints)和描述子(Descriptors)
描述子特性
基于汉明距离(Hamming Distance)进行匹配
匹配方式
二进制字符串相似度计算

SIFT特征 浮点

特征组成
包含关键点(Keypoints)和描述子(Descriptors)
描述子维度
128维浮点描述子
搜索算法
使用NNS(最近邻搜索)
特点
精度高但计算耗时

FPFH特征 3D点云

特征类型
快速点特征直方图，主要用于3D点云匹配
描述子特性
33维直方图，描述点的局部几何特征
求解方式
通过点云和法向量求解
搜索策略
最近邻搜索(NNS) + KD-Tree数据结构
适合保持维度N<10，搜索复杂度O(logN)

深度学习特征匹配 AI

现代方法
基于神经网络的特征提取方法

运动估计

几何约束矩阵

基础矩阵(Fundamental Matrix)
描述两视图间的对极几何关系
适用于未标定相机
8自由度，通过8点法求解
本质矩阵(Essential Matrix)
标定相机的对极几何关系
包含旋转和平移信息
5自由度，通过5点法求解
单应矩阵(Homography Matrix)
描述平面到平面的投影变换
适用于平面场景或纯旋转运动
8自由度，通过4点法求解

鲁棒估计算法

RANSAC思想
估计几何模型参数
随机采样一致性
处理外点干扰

位姿估计流程

模型估计
估计RT变换矩阵(旋转R + 平移T)
误差计算
基础距离：使用对极约束
单应距离：使用重投影误差
优化策略
内点选取
记录最优模型

已知参数条件

感知已知参数
相机内参已知
估计目标
RT变换矩阵(6自由度位姿)