📚 课程目录第4章视觉SLAM核心算法

第4章视觉SLAM核心算法：特征点法/直接法/光流法原理对比

本章聚焦面试高频题：三种主流视觉里程计方法的原理、优缺点、适用场景及扩展知识点（ORB描述子、极线约束）。掌握结构化的对比框架，是面试得分的关键。

答题建议：面试中遇到方法对比题，先分类（基于特征 vs 基于像素），再分别说明原理，然后对比优缺点，最后给出场景选择建议。这种结构化思路可自然覆盖 ORB 描述子、极线约束等扩展知识。

面试问题	请对比特征点法、直接法、光流法在视觉SLAM中的原理与优缺点。
面试官考察点	是否理解三种方法的本质差异（数据关联方式）、优缺点权衡、以及各自适用场景。
回答框架	① 先分类：特征点法基于特征匹配；直接法基于像素光度；光流法基于梯度跟踪。② 简述原理。③ 对比优缺点。④ 结合场景推荐（如纹理丰富用特征点法；纹理少且亮度稳定用直接法）。
简短示例回答	特征点法通过提取ORB特征并匹配，利用对极几何求解位姿，鲁棒性强但耗时；直接法最小化光度误差，速度快但易受光照影响；光流法如LK跟踪特征点，可看作介于两者之间。实际中VINS-Mono前端用光流跟踪，后端优化特征点。
可能追问	① 光流法和直接法的本质区别？② 如何解决直接法对光照敏感的问题？③ 稀疏直接法和稠密直接法的区别？
避坑提醒	❌ 切勿说“光流法是完全不同于特征点法的方法”，光流常作为特征点法的跟踪模块；❌ 别忽略亮度恒定假设的前提条件。

面试问题	请解释ORB描述子的原理，以及为什么在SLAM中常用ORB而非SIFT/SURF？
面试官考察点	对特征提取计算效率与性能平衡的理解；ORB的旋转不变性、尺度不变性如何实现；实际工程选型考量。
回答框架	① ORB = FAST角点 + Brief描述子（改进版）。② 方向性：通过灰度质心法赋予主方向。③ 尺度性：构建图像金字塔。④ 对比SIFT/SURF：计算速度快，适合实时SLAM，性能足够。
简短示例回答	ORB使用FAST检测特征点，通过灰度质心法计算方向；使用rBRIEF描述子（旋转后的BRIEF），具有旋转不变性；通过金字塔实现尺度不变。相比SIFT/SURF，ORB提取速度快近一个数量级，且内存占用小，非常适合ORB-SLAM的实时要求。
可能追问	① ORB的旋转不变性具体如何计算？② 为什么rBRIEF比原始BRIEF好？③ 特征点均匀化策略有哪些？
避坑提醒	❌ 不要只背概念，要能说出“灰度质心法”和“金字塔”两个关键点；❌ 别忽略ORB的尺度不变性是通过图像金字塔实现的，非多尺度检测。

面试问题	极线约束在视觉SLAM中有什么作用？请简述其数学表达和应用场景。
面试官考察点	是否理解对极几何核心概念，能否将基础矩阵、本质矩阵、极线方程与SLAM实际问题（如匹配验证、三角化）联系起来。
回答框架	① 定义：空间中一点在两张图像上的投影满足极线约束。② 数学：x₂ᵀ F x₁ = 0（基础矩阵）或 x₂ᵀ E x₁ = 0（本质矩阵）。③ 应用：剔除错误匹配、加速搜索、三角化初始化。
简短示例回答	极线约束描述两帧间匹配点的几何关系：一对匹配点必在对方的极线上。SLAM中常用它通过基础矩阵筛选误匹配（RANSAC），同时在特征匹配时仅在极线邻域搜索，提高效率。ORB-SLAM初始化时用本质矩阵恢复位姿。
可能追问	① 基础矩阵和本质矩阵的区别（内参已知/未知）？② 如何通过极线约束计算位姿？③ 纯旋转时极线约束为何退化？
避坑提醒	❌ 不要将极线约束和三角化混淆，极线约束只给出对应关系，不直接得到深度；❌ 注意区分F和E的使用条件（去畸变、内参）。

第4章 视觉SLAM核心算法：特征点法/直接法/光流法原理对比