特征提取
特征的種類在圖像領域主要分為點，線，面。線特征和面特征對圖像信息利用得更多，因而其分辨性更高。但遺憾的是，由於線特征和面特征提取的條件比較苛刻，因此在實際應用中並不廣泛。（盡管在SLAM中也有點線結合的實例，在圖像紋理較弱的情況下，線特征可以發揮更大的用處。但是卻是在增加計算量的同時，提高的性能較為有限。）隨着深度學習在圖像方面的不斷提升，基於全圖學習得到的特征向量性能不斷提高，甚至超越了手工設計的特征點。這也是前面所說的，由於對圖像信息利用得更加全面，才使得特征向量的識別性能越來越好。
在視覺SLAM中，特征主要還是用點特征。
>> 點特征主要分為兩大類：
- 基於手工設計的特征點：這類特征點主要是憑借人們對幾何學以及數學上的一些認識，對圖像中的某一塊特殊區域進行建模得到描述函數。典型的比如SIFT，利用差分高斯金字塔計算圖像中比較特殊的點，再通過該點的領域信息對其進行描述，得到最終的描述函數。
- 基於深度學習得到的特征向量：這類特征點主要是對深度學習網絡進行設計，使其通過多個卷積和池化操作來取得圖像中比較有用的信息。說起來是比較抽象的，個人理解，深度學習雖然看起來是個大箱子，但是實際上，各個卷基層都是一個函數 $f_{i}(x)$，最終的輸出就是多個復合函數的函數值 $G = f_{N}(f_{N-1}(...f_{1}(x)...))$。前期的網絡設計主要是模仿手工描述子的計算步驟，各個卷基層的操作與手工描述子並無二致。后期的主要是為了利用更多的圖像信息，彌補了手工描述子的不足。（這類網絡的設計通常是將手工設計的特征點圖塊作為訓練集，輸入到網絡中進行訓練）。
>>
不同點特征的區別：
特征點實際上包含兩種類型:
- 一種是只有關鍵點（interested point)，典型的如FAST這類角點;
- 還有一類就是基於角點的位置，利用其鄰域信息對其進行描述，得到描述子，SLAM中常用的主要是這類描述子，比如SIFT, SURF, ORB等。
>>
特征提取的缺陷：
直接對圖像提取特征點，通常會出現特征點扎堆的現象。顯然，對於圖像紋理多的地方，特征點自然會提取得多。這導致的結果便是，圖像某一塊位置提取到的特征點特別多，而其他區域提取到的點特別少，甚至是沒有。這在實際應用當中會導致估算相對姿態變換出現較大的偏差，影響定位精度。這是我們極力要避免的。
>>
特征提取的小技巧：
通過對圖像進行分塊，對不同圖像子塊提取特征點，可以解決特征點分布不均勻的問題。
以ORB-SLAM中提取ORB特征點為例：
- 圖像 $I$ 划分成 $4$ 個區域 ${s_1, s_2, s_3, s_4}$，對每個區域提取特征點；
- 將子圖 ${s_1, s_2, s_3, s_4}$ 各自划分成 $4$ 個區域，現在我們總共有 $16$ 個子圖，將步驟 $1$ 中提取的特征點按區域進行分配；
- 對於存在不止一個特征點的子圖，進一步進行划分，直到限制的最小子圖時停止。若此時特征點數量仍然較多，則根據響應值，取最大的特征點；
- 若步驟 $1$ 中，各個子圖中提取的特征點數量較少，則需要通過調整閾值條件，來提高特征點的數量。
- 步驟 $1-3$ 可以通過不斷遞歸來完成。
PS: 筆者自己實現了一個簡單的特征提取函數，但是並沒有利用遞歸對圖像進行更加精細的划分。只是簡單的划分成幾個區域，對各自區域進行提取。歡迎參考。