【跟我一起读《视觉惯性SLAM理论与源码解析》】第八章 ORB-SLAM2中的特征匹配
特征匹配在ORB-SLAM2中是很重要的内容，函数有多次重载，一般而言分为以下
- 单目初始化下的特征匹配
- 通过词袋进行特征匹配
- 通过地图点投影进行特征匹配
- 通过Sim（3）变化进行特征匹配
- 在单目初始化下的特征匹配是参考帧和当前帧之间的特征点匹配，一般先构建旋转直方图，在半径窗口搜索当前帧F2中所有的候选匹配特征点，遍历窗口中所有潜在的匹配候选点，找到最优和次优的匹配候选点，对最优和次优进行检查，满足一定的阈值约束条件，删除重复匹配，计算匹配点旋转角度差所在的直方图，根据直方图信息统计剔除错误匹配的特征点对，最后将筛选后的匹配的特征点保存好。
- 对于方向一致性检验，由于特征点匹配对主方向上整体会有一个固定一致的变化，通常直方图前三个最大的格子就是正常的匹配点对（旋转直方图干的事）。一般来说不再前三个格子中的都是外点，要剔除，在的是内点保留。
- 如何快速搜索候选匹配点的？假设第一帧提取到的特征点坐标是（x1,y1）,那么在第二帧中相同坐标以（x1,y1）为圆心画一个半径为r的圆（源代码是正方形，这里换成圆形更合适），分网格，计算上下左右边界的行列id,判断是否合法，不合法直接踢掉；遍历圆所有网格，寻找满足条件的候选特征点，若此网格里没有，遍历下一个，读取特征点，保证其所在金字塔层数符合要求，通过计算候选特征点距离圆心的距离，判断是否在圆内。
- 用词袋进行特征匹配，一般都会把图像中提取的特征点转化为词袋向量以及特征向量（确定描述子的单词ID，权重，单词所属的节点），词袋向量保存的是单词在所有叶子节点中距离叶子节点最近的ID以及权重，对于同一个单词ID，权重是会不断更新的；特征向量中保存的是深度level up的节点ID以及特征点在原图像中的索引，在进行特征匹配的时候搜索范围是和它具有同样NodeID的所有子节点，level up越小，速度越快，但不一定能查到。在实际例子关键帧与当前帧的匹配中，首先分别取出同一节点的ORB特征点，（外for）遍历关键帧属于该节点的特征点，取出描述子，(内for)遍历当前帧属于该节点的特征点，取出描述子，计算描述子之间距离，更新最佳与次佳，根据阈值剔除错误匹配，统计角度变化直方图，根据直方图剔除错误匹配的特征点对。
- 通过地图点投影的特征匹配需要做一个PnP的转化也就是3D-2D的匹配，首先还是旋转直方图，计算当前帧和上一帧的平移向量，对于前一帧的地图点，通过相机投影模型投影到当前帧中的像素坐标，根据相机的运动方向判断搜索的尺度范围，遍历候选的匹配点，选择描述子距离最小的特征点，作为最佳匹配点，构建直方图，进行旋转一致性检验，剔除不一致的匹配
- 基于sim3的不再详细描述了，需要注意要在保证没有匹配的特征点对进行1->2,2->1的sim3变换，只有当你选我我也选你的时候才能认作是成功的匹配点对。
这里还是需要反复琢磨每一个细节，这里只做一个基本的概括