SOFT 论文小结
特征匹配
使用了【9】中提出的blob和corner mask，提取特征。之后做非极大值抑制。 剩下的角点用sum of absolute differences确认关联（在图像的梯度域）。 SAD对outlier敏感，对outlier的处理使用circular matching(即每个特征必须在连续两帧中都匹配上才会被接受,所以每个特征需要匹配四次(l1-r1,r2;l2-r1,r2)) 对于第t帧，从t-1帧开始返回去跟踪，直到滑动窗口的第一帧。如果特征与之前的每一帧都match，则接受，否则它就是outlier。
如果特征被接受，则它要过另一个check。 在特征旁边25*25个像素区域做normalized cross correlation。NCC比SAD更加鲁棒。
剩余的outliers用RANSAC来筛除。
特征选择
特征并不是越多越好，精心筛选出来的特征集更加靠谱。 准确的pose估计需要同时用到近处和远处的特征点，并且特征点需要均匀分布在整幅图像上。（用bucketing的方法来做！！） 把图像分割为50*50pixels的图像块。在每个图像块中采集一定数量的特征，用以下的规则筛选：
- 把特征分为四类：corner max, corner min, blob max, blob min
- 每一类特征按照强度排序（pixel value灰度值）
- 把每一类中最强的特征放到final list中
- 迭代3,直到所有特征都被放入final list
- 在final list中选取前n强的特征，用来做pose估计。
特征跟踪
特征的属性包括：
- ID
- age(与当前帧相隔的时间)
- 在图像中优化过的位置
- 特征强度
- 所属类别
- 初始descriptor
用initial descriptor去衡量特征appearence的变化程度。 track时间长的特征拥有更大的置信度。当两个特征age相同时，取更strong的。当特征age不同时，取track时间更长的！ 为了减少outlier数量，使用two pass matching的方法。
- 在每个bucket(图像块中)，只取一个特征，来算出初始的rotation和translation。
- 在每个bucket中加入更多的特征，用初始的rotation和translation来作为约束，进行特征匹配。
位姿计算
旋转和平移分开来计算
旋转
用五点法【12】进行计算（常用于单目情况），配合RANSAC使用。即在特征点集合中不断地随机选择五个点计算旋转平移，最后选择Inlier最多的那组旋转平移（而不是前几组的平均值，因为那样并不会增加精度！）