特征
特征為圖像中具有代表性的區域， 可以為角點，邊緣和區塊等。
特征是圖像信息的另一種數字表達形式。
特征具有以下性質：
- 可重復性（ Repeatability）：相同的“區域”可以在不同的圖像中被找到。
- 可區別性（ Distinctiveness）：不同的“區域”有不同的表達。
- 高效率（ Efficiency）：同一圖像中，特征點的數量應遠小於像素的數量。
- 本地性（ Locality）：特征僅與一小片圖像區域相關。
特征點由關鍵點（ Key-point）和描述子（ Descriptor）兩部分組成。
關鍵點是指該特征點在圖像里的位置，有些特征點還具有朝向、大小等信息。
描述子通常是一個向量，按照某種人為設計的方式，描述了該關鍵點周圍像素的信息。
描述子是按照“外觀相似的特征應該有相似的描述子”的原則設計的。因此，只要兩個特征點的描述子在向量空間上的距離相近，就可以認為它們是同樣的特征點。
- SIFT(尺度不變特征變換， ScaleInvariant Feature Transform)
該特征點考慮了在圖像變換過程中出現的光照，尺度，旋轉等變化，但隨之而來的是極大的計算量。
- ORB（ Oriented FAST and Rotated BRIEF）特征
該特征點改進了 FAST 檢測子 [33] 不具有方向性的問題，並采用速度極快的二進制描述子BRIEF[34]，使整個圖像特征提取的環節大大加速。
在目前的 SLAM 方案中， ORB 是質量與性能之間較好的折中。
ORB特征
提取 ORB 特征分為兩個步驟：提取Fast關鍵點，和計算BRIEF描述子。
FAST關鍵點
FAST 是一種角點，主要檢測局部像素灰度變化明顯的地方，以速度快著稱。它的思想是：如果一個像素與它鄰域的像素差別較大（過亮或過暗） , 那它更可能是角點。相比於其他角點檢測算法， FAST 只需比較像素亮度的大小，十分快捷。
在 FAST-12 算法中，為了更高效，可以添加一項預測試操作，以快速地排除絕大多數不是角點的像素。具體操作為，對於每個像素，直接檢測鄰域圓上的第 1， 5， 9， 13 個像素的亮度。只有當這四個像素中有三個同時大於 Ip + T 或小於 Ip − T 時，當前像素才有可能是一個角點，否則應該直接排除。這樣的預測試操作大大加速了角點檢測。
此外，原始的 FAST 角點經常出現“扎堆”的現象。所以在第一遍檢測之后，還需要用非極大值抑制（ Non-maximal suppression），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。
FAST 特征點數量很大且不確定，而我們往往希望對圖像提取固定數量的特征。我們可以指定最終要提取的角點數量N，對原始 FAST 角點分別計算 Harris 響應值，然后選取前 N 個具有最大響應值的角點，作為最終的角點集合。
針對 FAST 角點不具有方向性和尺度的弱點， ORB 添加了尺度和旋轉的描述。尺度不變性由構建圖像金字塔‹，並在金字塔的每一層上檢測角點來實現。而特征的旋轉是由灰度質心法（ Intensity Centroid）實現的。
BRIEF 描述子
BRIEF 是一種二進制描述子，它的描述向量由許多個 0 和 1 組成，這里的 0 和 1 編碼了關鍵點附近兩個像素（比如說 p 和 q）的大小關系：如果 p 比 q 大，則取 1，反之就取 0。
如果我們取了 128 個這樣的 p; q，最后就得到 128 維由 0， 1 組成的向量。
BRIEF 使用了隨機選點的比較，速度非常快，而且由於使用了二進制表達，存儲起來也十分方便，適用於實時的圖像匹配。
原始的 BRIEF 描述子不具有旋轉不變性的，因此在圖像發生旋轉時容易丟失。而 ORB 在 FAST 特征點提取階段計算了關鍵點的方向，所以可以利用方向信息，計算了旋轉之后的“ Steer BRIEF”特征，使 ORB 的描述子具有較好的旋轉不變性。
特征匹配
描述子距離表示了兩個特征之間的相似程度，不過在實際運用中還可以取不同的距離度量范數。對於浮點類型的描述子，使用歐氏距離進行度量即可。而對於二進制的描述子（比如 BRIEF 這樣的），我們往往使用漢明距離（ Hamming distance）做為度量——兩個二進制串之間的漢明距離，指的是它們不同位數的個數。
最簡單的特征匹配方法就是暴力匹配（ Brute-Force Matcher） 。即對每一個特征點 xm t ，與所有的 xn t+1測量描述子的距離，然后排序，取最近的一個作為匹配點。
快速近似最近鄰（ FLANN） 算法更加適合於匹配點數量極多的情況。