【svopro】feature_alignment代码梳理

1. align2D

processFrame主流程==> sparseImageAlignment ==>void StereoTriangulation::compute > Matcher::MatchResult res = matcher.findEpipolarMatchDirect =>MatchResult res = findLocalMatch>res = feature_alignment_utils::align2D

bool align2D(const cv::Mat& cur_img, uint8_t* ref_patch_with_border, uint8_t* ref_patch,
    const int n_iter, const bool affine_est_offset, const bool affine_est_gain,
    Keypoint& cur_px_estimate, bool no_simd, std::vector<Eigen::Vector2f>* each_step) 

程序功能: 实现2D对齐
通过相邻两帧图像的特征匹配，来估计相机的运动，并将当前帧图像以相对精确的方式对齐到前一帧图像。

输入：当前帧图像（cur_img）、参考图像（ref_patch_with_border）、不带边界的参考图像（ref_patch）、迭代次数（n_iter）、是否使用仿射偏移（affine_est_offset）、是否使用仿射缩放（affine_est_gain）、当前像素位置的估计值（cur_px_estimate）、是否禁止使用SIMD优化（no_simd）、每次优化步骤的输出向量指针（each_step）。

输出：是否收敛（converged）。

算法步骤：

1. 通过参考图像计算梯度和海森矩阵，计算梯度的方法是通过求解(x, y)位置处像素值沿x和y方向的梯度。同时可以进行仿射变换的偏移和缩放优化。

2. 初始化变量，包括patch大小、面积、以及各种优化参数等。

3. 根据当前像素位置的估计值，计算并存储每次优化迭代的步骤。

4. 根据当前像素位置的估计值、参考图像、梯度和海森矩阵等信息，通过插值方法计算搜索的patch，并比较当前patch和参考patch的误差（包括仿射变换的误差），得到更新公式。

5. 随着迭代次数的不断增加，对当前像素位置的估计值进行不断更新，直到满足收敛条件后结束。最终输出当前是否收敛的结果。