01
特征点法SLAM概述
从图像中提取关键点与描述子的核心思想，为什么特征匹配是SLAM的基石。
基石概念
02
ORB特征提取原理
FAST角点检测与BRIEF描述子的结合，ORB的旋转不变性与尺度不变性。
ORB旋转不变
03
OpenCV中的ORB实现
cv2.ORB_create()参数详解，nfeatures、scaleFactor、nlevels的作用。
OpenCV参数调优
04
特征点均匀化策略
四叉树（Quadtree）与网格化（Grid）方法，解决特征扎堆问题。
均匀化四叉树
05
描述子匹配基础
暴力匹配（Brute-Force）与FLANN匹配的原理与适用场景。
匹配FLANN
06
匹配对筛选
距离阈值法与最近邻距离比（Lowe's ratio test）的实战对比。
筛选ratio test
07
误匹配剔除
RANSAC算法原理，使用cv2.findHomography()进行单应性矩阵估计。
RANSAC单应性
08
特征匹配评价指标
精确率、召回率、F1-score，如何量化匹配质量。
评价F1-score
09
尺度不变性实战
构建图像金字塔，在不同尺度层提取特征并匹配。
尺度金字塔
10
旋转不变性实战
计算特征点主方向，旋转BRIEF描述子实现旋转鲁棒。
旋转主方向
11
光照鲁棒性
图像增强预处理（直方图均衡化、CLAHE）对匹配效果的提升。
光照CLAHE
12
视角变化鲁棒性
仿射变换与透视变换下的匹配策略，使用ASIFT思想。
视角ASIFT
13
实时性优化
特征点数量自适应控制，根据帧率动态调整nfeatures。
实时自适应
14
多线程加速
使用OpenMP或Python多线程并行提取特征与匹配。
多线程OpenMP
15
GPU加速
使用OpenCV的CUDA模块（cv2.cuda）进行特征提取与匹配。
GPUCUDA
16
二进制描述子匹配优化
使用汉明距离（Hamming Distance）与SSE/NEON指令集。
汉明距离SIMD
17
词袋模型（BoW）加速
构建视觉词典，使用DBoW3库进行快速闭环检测。
BoW闭环
18
特征匹配的网格运动统计（GMS）
利用运动平滑性剔除误匹配。
GMS平滑
19
深度学习特征提取
SuperPoint与D2-Net等CNN特征点的原理与使用。
深度学习SuperPoint
20
深度学习特征匹配
SuperGlue与LoFTR的端到端匹配网络。
SuperGlueLoFTR
21
特征与匹配的联合优化
端到端可学习的特征提取与匹配框架。
联合优化端到端
22
多传感器融合中的特征匹配
IMU辅助特征跟踪与匹配。
多传感器IMU
23
动态环境下的特征匹配
利用语义信息剔除动态物体上的特征点。
动态语义
24
大规模场景匹配
基于空间索引（KD-Tree、LSH）的快速最近邻搜索。
KD-TreeLSH
25
特征匹配的精度评估
使用EuRoC、TUM数据集进行定量分析。
评估数据集
26
特征匹配的鲁棒性测试
添加噪声、模糊、压缩等退化因素。
鲁棒性退化
27
实战项目1：ORB-SLAM2特征模块解读
基于ORB-SLAM2的特征提取与匹配模块代码解读。
ORB-SLAM2实战
28
实战项目2：匹配可视化工具
构建自己的特征匹配可视化工具（匹配线绘制、统计图表）。
可视化工具
29
实战项目3：嵌入式平台部署
在嵌入式平台（Jetson Nano）上部署轻量化特征匹配。
Jetson Nano轻量化
30
前沿趋势
可微分特征匹配、隐式神经表示（NeRF）与特征匹配的结合。
NeRF可微分