第四章：图像特征提取与匹配
图像特征提取与匹配，说白了就是让机器人「看懂」两张图片是不是同一个地方。我做了这么多年SLAM，觉得这步是整套系统的基石。特征找不准，后面的位姿估计、地图构建全是空中楼阁。
今天咱们就聊聊SIFT、SURF、ORB这三种经典特征，以及怎么把它们匹配好、怎么剔除误匹配、最后怎么用词袋模型做回环检测。
4.1 特征点：图像里的「地标」
你想想看，人是怎么认路的？我们会记住路口的招牌、建筑物的轮廓、甚至墙上的涂鸦。对机器人来说，特征点就是这些「地标」。
一个靠谱的特征点，得满足两个条件：重复性和独特性。重复性是说，换个角度、换个光照，还能找到它。独特性是说，这个点得跟周围不一样，别跟谁都长得像。
我早期做项目时吃过亏——在纹理稀疏的走廊里，特征点提取得稀稀拉拉，结果匹配时全是误匹配。后来我学乖了，场景越单调，越要选对特征提取器。
4.2 SIFT：祖师爷级别的特征
SIFT（Scale-Invariant Feature Transform）是2004年Lowe提出的，算是特征提取界的「老前辈」。它的核心思想很简单：在不同尺度空间里找极值点。
具体流程是这样的：
- 尺度空间构建：用高斯金字塔生成不同模糊程度的图像
- 极值点检测：在DoG（Difference of Gaussian）空间找局部极值
- 关键点定位：去掉低对比度的点和边缘响应点
- 方向分配：统计梯度方向，给每个点分配主方向
- 描述子生成：在16×16邻域内统计8方向梯度直方图，生成128维向量
SIFT的优势：对旋转、尺度、光照变化都有很强的鲁棒性。我在一个户外大场景的项目里用过，即使光照从正午变成黄昏，匹配率依然能保持在85%以上。
注意：SIFT是有专利的，商用项目要小心。另外它的计算量很大，在嵌入式设备上跑实时SLAM基本不现实。
4.3 SURF：SIFT的加速版
SURF（Speeded-Up Robust Features）是2006年提出的，说白了就是SIFT的「优化版」。它用积分图像和Hessian矩阵来加速特征检测，描述子也从128维降到了64维。
我记得第一次在笔记本上对比SIFT和SURF，同样一张640×480的图，SIFT要跑200ms，SURF只要80ms。虽然精度稍微降了一点，但实时性提升很明显。
SURF的核心改进：
- 用盒状滤波器近似高斯二阶偏导
- 用积分图像加速卷积计算
- 描述子基于Haar小波响应
不过说实话，现在SURF用得也不多了。ORB出来后，大家更倾向于用那个。
4.4 ORB：实时SLAM的标配
ORB（Oriented FAST and Rotated BRIEF）是2011年提出的，它把FAST角点检测和BRIEF描述子结合了起来，还加了旋转不变性。
为什么ORB在SLAM里这么火？原因很简单：快。我实测过，同样提取1000个特征点，ORB比SIFT快两个数量级。在ORB-SLAM2里，每帧图像的特征提取加匹配，总共也就20-30ms。
ORB的流程：
- 用FAST检测角点（设定阈值，比较周围16个像素）
- 用Harris角点响应排序，保留Top N
- 计算灰度质心，确定主方向
- 用rBRIEF生成二进制描述子（256位）
我的经验：ORB的阈值设置很关键。阈值设得太低，特征点太多、质量差；设得太高，特征点太少、匹配不够。我一般从20开始调，根据场景纹理丰富程度上下浮动。
4.5 特征匹配与误匹配剔除
特征提取完了，接下来就是匹配。最常用的方法是暴力匹配（Brute-Force Matcher）和快速近似最近邻（FLANN）。
暴力匹配就是穷举——每个特征跟另一张图的所有特征算距离。FLANN用KD-Tree或LSH来加速，适合大规模匹配。
但不管用哪种方法，误匹配都是难免的。为什么会这样？因为场景里可能有重复纹理、运动模糊、或者光照变化太大。
这时候就该RANSAC登场了。
RANSAC：误匹配的「清道夫」
RANSAC（Random Sample Consensus）的核心思想是：从匹配点对里随机采样，拟合一个几何模型（比如单应矩阵或基础矩阵），然后看哪些点符合这个模型。
具体步骤：
- 随机选4对匹配点（计算单应矩阵需要4对）
- 用这4对点计算变换矩阵H
- 用H检验所有匹配点，统计内点数量
- 重复N次，保留内点最多的那次结果
- 用所有内点重新优化H
避坑指南：我曾经在一个纹理重复的仓库里做匹配，RANSAC迭代次数设了100次，结果内点率只有30%。后来我把迭代次数提到500次，阈值从3像素调到5像素，内点率才升到70%。记住：迭代次数和阈值要根据场景调，别死用默认值。
4.6 词袋模型与回环检测
回环检测是SLAM里最性感的问题之一。机器人走了一圈，怎么知道自己回到了原点？
词袋模型（Bag of Words, BoW）就是干这个的。它的思路很简单：把图像看成「视觉单词」的集合，通过比较单词出现的频率来判断两张图是否相似。
BoW的构建流程
- 离线训练：用大量图像提取特征，用K-means聚类生成视觉词典
- 图像编码：对每张图，统计每个视觉单词出现的频率，生成词频向量
- 相似度计算：用TF-IDF加权，计算两个词频向量的相似度
- 回环判定：相似度超过阈值，且通过几何验证，就认为是回环
在ORB-SLAM2里，用的就是DBoW2库。它用树状结构组织视觉词典，查询效率很高。我记得有一次在室内场景测试，回环检测的准确率能达到95%以上，召回率也有80%。
注意：词袋模型有个问题——它只关心「有没有」，不关心「在哪里」。所以两张图可能有相似的单词分布，但实际位置完全不同。这就是所谓的「感知歧义」。解决办法是加上几何验证，比如用RANSAC检查匹配点是否满足对极约束。
4.7 知识体系总览
下面这张图把本章的核心逻辑串起来了。从特征提取到匹配，再到回环检测，每一步都有对应的算法和注意事项。
4.8 实践建议
最后给几点我个人的建议：
- 选特征看场景：纹理丰富用ORB，纹理稀疏用SIFT，实时性要求高无脑选ORB
- 匹配别偷懒：暴力匹配虽然慢，但精度高。FLANN适合大规模匹配，但参数要调好
- RANSAC阈值要调：室内小场景用3像素，室外大场景可以放宽到5-8像素
- 回环检测要加验证：别光看词袋相似度，一定要做几何验证，不然容易误检
嗯，这一章的内容就到这儿。特征提取与匹配是SLAM的「眼睛」，眼睛不好使，后面再牛的算法也白搭。下一章咱们聊聊更深入的话题。