本文主要记录以下内容：
1.特征点是如何提取与匹配的
2.2D-2D对极几何
3.3D-2D PnP
4.3D-3D ICP
5.三角化与深度估计
一。特征点提取与匹配
经典SLAM模型中以位姿---------路标（Landmark）来描述SLAM过程。路标是
1.三维空间中固定不变的点，能够在特定位姿下观测到
2.数量充足，以实现良好的定位
3.较好的区分性，以实现数据关联。在视觉SLAM中，可以利用图像特征点作为SLAM中的路标。
特征点一般选取角点信息，对于一个变化不明显，均匀的纹理特征点很难找到。
1特征点：图像当中具有代表性的部分
a.可重复性:在不同的图像中看到这些点时都能提取出这些点
b.可区别性：点之间要有差别，可区别
c.高效：提取这些点不能占太多的时间
d.本地
倾向于提角点，但角点也有很多分类，有些是通过计算奇异值来确定，有些是用简单的快速的方式（如fast）
2.特征点的信息
a.位置、大小、方向、评分等------关键点
b.特征点周围的图像信息-------描述子（Descriptor） 因为要对特征点进行匹配，所以要知道特征点周围图像是长什么样子的。所谓描述子就是对特征点周围的这个图像块进行一个特定的编码（希望对光照，图像的旋转平移等有一定的抵抗能力）
3.例子：SIFT/SURF/ORB （参考OpenCV features2d模块）
4.以ORB为例，讲解ORB的特征点是怎么计算的
（1）关键点部分：Oriented FAST; 描述部分：BRIEF
（2）FAST:连续N个点的灰度有明显差异（没有角点的朝向信息）
（3）Oriented FAST:在FAST基础上计算旋转
