7.1 特征点法
前面提到过，SLAM中主要分为前端和后端，前端主要是根据相邻图像的信息，粗略估计相机的运动，从而给后端一个比较好的初始值。前端的实现，根据是否需要提取特征，分为特征点法和直接法。
对于特征点法，首先需要的就是定义什么是特征点。图像本身就是一个矩阵，如果直接从矩阵的层面考虑运动的估计，相当于用图像中全部的数据去估计，这样做的运算量必然是很大的。一般我们都会采用选代表的方法，也就是选取图像中比较有代表性的点。这些点在相机发生小幅度变化后会保持不变，所以可以在各个图像中找到相同的点，之后利用这些点，去讨论相机位姿估计问题以及点的定位问题。
特征是图像信息的另一种表达方式，一般数字图像在计算机中以灰度值矩阵的形式存在，而在视觉里程计中，我们希望特征点在相机运动之后能够保持稳定，灰度容易受到光照、形变等因素的影响，显然不够稳定。理想情况是场景和相机视角发生小幅度变化时，我们依然可以通过图像判断哪个地方是同一个点，这样仅仅依靠灰度值就不够了。
在视觉里程计中特征点就是图像中一些特别的地方，一般可以将角点、边缘和区块都看做一些有代表性的地方，不过判断同一个角点会相对简单，判断同一个边缘会因为局部相似而变得困难，判断区块则是最难的。因此图像中的角点、边缘相比于像素区块会更加特别，从而辨识度也就更高。因此在特征提取的时候，最直观的方法是提取不同图像间的角点，之后再确定它们之间的对应关系。
在进一步的研究中，研究人员定义了更多更加稳定的局部图像特征，他们都包括下面的特征：
特征点由两部分组成：关键点和描述子。关键点值的是该特征点在图像里的位置，有些特征点还包括朝向、大小等信息。描述子一般是一个向量，按照某种人为的方法去设定，用来描述周围的信息，一般设计描述子，都是按照“外观相似的特征应该有相似的描述子”原则进行的，因此只要描述子在向量空间的距离相近，就可以认为是同样的特征点。换句话说，关键点是具体的一个位置，在这个位置的基础上，用描述子来描述这个关键点周围的信息，比如我要描述一个人脸的特征，我不能只说一个位置，也不能只说一个样子，我必须是说明白哪里有个什么特征，鼻子下面有个痦子，鼻子下面就是一个关键点，有个痦子则是描述子。而我精心设计的描述子向量，必须能够体现我的特征，比如都是发黑，我要能够区别是痣还是皮肤癌，这样在实际比较的时候，某个向量离痣更近，那我就可以判断这个特征是个痣而不是皮肤癌。
在实际应用中，研究人员提出了很多类型的特征，其中SIFT是最经典的一种，它充分考虑了图像变换过程中出现的光照、尺度、旋转等变换，但是也带来了很大的计算量要求。ORB特征则是目前看来更具有代表性的特征，他改进了FAST特征子，不仅优化了方向问题，还采用二进制描述子，从而提高了计算速度。
下面简单介绍一下ORB特征。