ORB-SLAM（七）ORBextractor 特征提取

该类中主要调用OpenCV中的函数，提取图像中特征点（关键点及其描述，描述子，以及图像金字塔）

参考TUM1.yaml文件中的参数，每一帧图像共提取1000个特征点，分布在金字塔8层中，层间尺度比例1.2，计算下来金字塔0层大约有217个特征点，7层大约有50个特征点。这样有一个比较直观的概念。

提取特征点使用FAST，但是ORB中的FAST加入了旋转信息，也就是去计算特征点的角度，同时加入了尺度信息，也就是计算在多层金字塔中去提取。

描述子使用的是BRIEF，通过二进制BRIEF描述子之间的汉明距离来考察两个特征点之间的相似度。

整个提取过程使用重载了的()操作符来完成。

最后为了提取出的特征点在图像中分布比较均匀（实际情况中，特征点通常分布得比较集中，这样不利于进行匹配，也不利于精确地求解相机间的位姿从而得到精确的VO轨迹），使用了八叉树（其实是平面上的四叉树）的数据结构来存储提取出的特征点：

void ORBextractor::ComputeKeyPointsOctTree(vector<vector<KeyPoint> >& allKeypoints);

金字塔中每一层提取出的特征点放在不同的vector<KeyPoint>中；OctTree主要的实现：

vector<cv::KeyPoint> ORBextractor::DistributeOctTree(const vector<cv::KeyPoint>& vToDistributeKeys, const int &minX,
                                       const int &maxX, const int &minY, const int &maxY, const int &N, const int &level);

该树结构除了根节点其实只实现了3层，最顶层的node数量由图像的横纵比决定（例如2）;下面两层最多产生64个叶子。因此，对于前面提到的特征点数，平均每个分割节点中分布一两个特征点，如果该叶子中含有较多特征点，则选取其中Harris响应值（是由OpenCV的KeyPoint.response属性计算的）最大的，其他的抛弃！