2. 特征点法基础回顾：ORB特征、特征匹配、RANSAC原理。鲁棒性在特征匹配中的体现。
聊到视觉SLAM的鲁棒性，咱们得先从最基础的特征点法说起。说实话，很多新手一上来就追求高大上的深度学习特征，结果在实际项目中碰了一鼻子灰。我个人习惯，还是先把ORB这类经典特征吃透。为什么？因为它在精度和速度之间取得了很好的平衡，而且工程落地非常成熟。
2.1 ORB特征：速度与精度的平衡点
ORB（Oriented FAST and Rotated BRIEF）这个名字，说白了就是“带方向的FAST角点”加上“旋转不变的BRIEF描述子”。它解决了两个核心问题：特征点在哪里，以及这个点长什么样。
2.1.1 FAST角点检测
FAST角点的思想很直接：如果一个像素和它周围一圈的像素差别很大，那它很可能是个角点。我记得第一次在嵌入式平台上跑ORB时，发现FAST的检测速度确实快得惊人。
核心思想：以候选点p为中心，取半径为3的圆上的16个像素点。如果连续N个点的亮度超过或低于p的亮度±阈值t，则p为角点。
嗯，这里要注意一个坑：FAST本身不具备尺度不变性。所以ORB在构建图像金字塔，在不同尺度上分别检测FAST角点。你想想看，如果相机前后移动，特征点尺度变了，没有金字塔的话，匹配就全乱套了。
2.1.2 BRIEF描述子与旋转不变性
BRIEF描述子本质上是一个二进制串。它通过在特征点周围随机选取128或256对像素点，比较它们的亮度大小，生成0/1序列。
但BRIEF有个致命缺陷——它不具备旋转不变性。我曾经在一个旋转剧烈的场景中测试过，不加旋转校正的BRIEF匹配率直接掉到30%以下。ORB的解决方案很巧妙：计算特征点的主方向，然后根据这个方向旋转BRIEF的采样模式。
我的经验：在实际项目中，ORB的256位描述子通常就够用了。512位虽然匹配更准，但计算量和存储开销翻倍，在移动端得不偿失。
2.2 特征匹配：暴力匹配 vs 快速近似最近邻
特征点提取完了，接下来就是匹配。说白了，就是找两幅图像中“长得像”的特征点对。
2.2.1 暴力匹配（Brute-Force Matcher）
最直接的方法：对于左图的每个特征点，计算它和右图所有特征点的描述子距离，取最近的那个作为匹配点。对于二进制描述子（如ORB），通常用汉明距离——就是两个二进制串不同位的个数。
// 伪代码示例：暴力匹配
for each descriptor_a in image_A:
min_dist = INF
best_match = null
for each descriptor_b in image_B:
dist = hamming_distance(descriptor_a, descriptor_b)
if dist < min_dist:
min_dist = dist
best_match = descriptor_b
matches.push((a, best_match))暴力匹配的优点是简单、准确。但缺点也很明显——复杂度是O(n²)。当特征点数量超过2000时，实时性就很难保证了。
2.2.2 快速近似最近邻（FLANN）
FLANN（Fast Library for Approximate Nearest Neighbors）是一种优化的匹配策略。它通过构建KD树或层次聚类树，将匹配复杂度降到O(n log n)甚至更低。
| 匹配方法 | 时间复杂度 | 适用场景 |
|---|---|---|
| 暴力匹配 | O(n²) | 特征点少（<500）、精度要求高 |
| FLANN | O(n log n) | 特征点多（>1000）、实时性要求高 |
避坑指南：我曾经在ORB-SLAM2中直接用FLANN默认参数，结果发现匹配质量不如暴力匹配。后来调了树的深度和搜索次数参数，才达到满意的效果。记住：FLANN是“近似”最近邻，它牺牲了少量精度换取了速度。
2.3 RANSAC原理：从错误中寻找正确
特征匹配完成后，你会发现匹配结果里混入了大量错误匹配（外点）。RANSAC（Random Sample Consensus）就是用来剔除这些外点的利器。
RANSAC的核心思想其实很简单：从数据中随机采样一小部分点，拟合一个模型，然后看其他点对这个模型的支持程度。重复这个过程，找到支持点数最多的模型。
2.3.1 RANSAC在特征匹配中的应用
在视觉SLAM中，RANSAC最常用于计算基础矩阵F或单应矩阵H。具体步骤是这样的：
- 从匹配点对中随机选取8对（计算F）或4对（计算H）
- 用这些点对计算模型参数
- 用模型检验所有匹配点对，统计内点数量（误差小于阈值的点）
- 重复步骤1-3，直到达到最大迭代次数
- 选择内点最多的模型，用所有内点重新优化模型参数
关键参数：
- 迭代次数：通常设为100-500次。外点比例越高，需要的迭代次数越多
- 误差阈值：一般设为1-3像素。阈值太小会丢失正确匹配，太大会引入错误匹配
- 内点比例：如果内点比例低于30%，说明匹配质量太差，需要重新提取特征
2.4 鲁棒性在特征匹配中的体现
好了，前面铺垫了这么多，终于到了核心问题：鲁棒性到底体现在哪里？
说白了，鲁棒性就是系统在“不理想”条件下依然能稳定工作的能力。在特征匹配这个环节，鲁棒性主要体现在三个方面：
2.4.1 对光照变化的鲁棒性
ORB描述子用的是像素亮度比较，所以对光照变化比较敏感。我建议在光照变化剧烈的场景中，可以先用直方图均衡化做预处理，或者改用对光照更鲁棒的描述子（如A-KAZE）。
2.4.2 对视角变化的鲁棒性
当相机旋转或平移较大时，特征点的外观会发生显著变化。ORB的旋转不变性解决了小角度旋转的问题，但对于大角度变化（超过45度），匹配质量还是会下降。这时候，多尺度检测和描述子的区分性就变得至关重要。
2.4.3 对错误匹配的鲁棒性
这是RANSAC大显身手的地方。即使匹配结果中有50%的错误匹配，RANSAC依然能通过随机采样找到正确的几何模型。但要注意，RANSAC不是万能的：
- 如果外点比例超过80%，RANSAC的成功率会急剧下降
- 如果场景中存在重复纹理（如瓷砖、窗户），RANSAC可能会陷入局部最优
我的实战技巧：在RANSAC之前，先用“最近邻距离比”做一次粗过滤。具体做法是：对于每个特征点，找到最近邻和次近邻的距离，如果最近邻距离远小于次近邻（比如比值小于0.7），才保留这个匹配。这个技巧能剔除大量明显的错误匹配，让RANSAC更高效。
2.5 本章知识体系
为了让你更直观地理解本章的知识结构，我画了一张流程图：
这张图清晰地展示了特征点法的完整流程：从输入图像开始，经过ORB特征提取、特征匹配、RANSAC剔除错误匹配，最终得到鲁棒的匹配结果。每一步都有对应的鲁棒性考量，缺一不可。
好了，这一章的内容就到这里。特征点法是视觉SLAM的基石，理解ORB、匹配和RANSAC的原理，是后续学习鲁棒性提升技巧的前提。下一章我们会深入探讨如何在实际工程中优化这些环节，让SLAM系统在各种恶劣环境下都能稳定运行。