SIFT 与 RootSIFT

1. 为什么结构 from 运动还在用 SIFT

不是因为怀旧——跨光照、跨尺度的可重复性仍扎实。ORB 二进制描述子快但光照敏感；车载视觉里程计偏 ORB，离线结构 from 运动和标定我偏 SIFT 或 RootSIFT。RootSIFT 改一行归一化，比值检验后内点率常有小但稳定提升，几乎零成本——是我对 legacy 流水线的默认设置。部署前仍要核对 OpenCV 非自由模块政策，部分企业镜像禁 nonfree 构建。

2. SIFT 流程与 OpenCV 参数

高斯差分金字塔、极值点、方向分配、一百二十八维梯度直方描述子。创建接口可调八度层数、对比度阈值、边缘阈值、第一层 sigma。对比度阈值越大检测越少（提速但召回降）；边缘阈值滤边缘状响应；第一层 sigma 是一点六。OpenCV 四点四后 SIFT 进主库（专利过期），部署仍按 license 习惯核对。

sift = cv2.SIFT_create(
    nfeatures=0, nOctaveLayers=3,
    contrastThreshold=0.04, edgeThreshold=10, sigma=1.6)
kp, des = sift.detectAndCompute(gray, None)

3. RootSIFT：一行归一化

做法：L1 归一化、逐元素开方、L2 归一化，使描述子分布更接近欧式空间，L2 匹配更合理。匹配仍用 L2 或 FLANN。同一图像对 A/B 原始 SIFT 与 RootSIFT 的匹配数与随机采样一致估内点率——视觉里程计里固定比值零点七五只比内点率。

def rootsift(des):
    des = des.astype(np.float32)
    des /= (des.sum(axis=1, keepdims=True) + 1e-7)
    des = np.sqrt(des)
    des /= (np.linalg.norm(des, axis=1, keepdims=True) + 1e-7)
    return des

4. FLANN 匹配与比值检验

Kd 树索引、检查次数五十是常见起点；检查太低召回掉，太高变慢。纹理重复场景比值不够，必须几何验证：基础或本质矩阵随机采样一致估加内点率。ORB 用汉明距离，别对 ORB 做 RootSIFT。

5. 与 ORB 的取舍

结构 from 运动下游看重投影均方根和注册图像数——匹配层内点涨两个百分点可能在平差后变成多注册五张图。

6. 失败模式

大模糊：高斯差分极值弱，降对比度阈值但噪声增。超大图：限制特征数加分块，否则 FLANN 内存和匹配时间爆。纹理重复：比值加随机采样仍不够，需要空间验证或语义过滤。光照剧变：RootSIFT 略好，仍不如学习型描述子——选型看离线还是在线。

7. 尺度空间与参数敏感性

第一层 sigma 影响高斯差分金字塔起始模糊；八度层数每层三个区间是常见默认。增大对比度阈值减关键点数提速，但弱纹理区 recall 掉。边缘阈值基于 Harris 原理滤 edge-like 极值，过小会把边缘当特征。超大图先 cap 特征数再 FLANN，否则匹配时间和内存不可控。这些参数应写进 yaml 并在换镜头分辨率时重跑 A/B，不能沿用上一项目默认值。

8. 案例：RootSIFT 在回环

某离线重建回环边 raw SIFT 内点率百分之六十二，RootSIFT 百分之六十七，注册图像多四张，重投影均方根略降。改动仅描述子后处理，下游平差参数未动——这是零成本升级的典型收益形态。若跳过几何验证，两种描述子都会在重复纹理走廊里堆误匹配，RootSIFT 的优势被外点淹没。

9. 验收

• 同一对：raw 与 RootSIFT 匹配数加内点率
• 结构 from 运动下游：重投影均方根加注册图像数
• 部署前核对 license
• 车载场景 A/B 时间一致性
• FLANN 检查次数 sweep 的召回延迟曲线

RootSIFT 改动小，收益常在匹配层可见，下游才放大。别跳过几何验证——描述子再好也挡不住重复纹理。