FAST特征检测
./test_feature_detection
圈的大小代表了尺度的大小，也就是在不同金字塔下检测的特征。
基础成员数据结构:
/svo/include/frame.h
对于帧按照面向对象的思想，其应该包含自己固有的属性，比如帧的编号，帧对应的相机模型，对应的特征等等。
目前定义的帧成员变量主要有:帧的计数器用于设置帧的唯一id，帧创建的时间戳（后期用于同步，多传感器融合），相机模型（用于对图像进行畸变矫正），图像金字塔（主要用于提取不同尺度下的特征，具体尺度的讲解可以参考：sift）以及帧对应的特征。
/Vikit/include/abstract_camera.h
对于相机模型，定义了相机抽象类，提供了相机分辨率，定义摄像机坐标与图像像素坐标转换的相关抽象方法.
定义了抽象的相机类，目前实现了小孔相机模型，后期进一步考虑实现ATAN相机模型(/Vikit/include/atan_camera.h atan_camera.cpp)。
/Vikit/include/pinhole_camera.h pinhole_camera.cpp
小孔相机模型 :width, height, fx, fy, cx, cy,
d0=0.0, d1=0.0, d2=0.0, d3=0.0, d4=0.0
//考虑畸变参数k1,k2,p1,p2,k3主要考虑了5个畸变参数.
小孔相机模型主要公式可以参考：http://docs.opencv.org/modules/calib3d/doc/camera_calibration_and_3d_reconstruction.html
这样,基础的相机模型已经设计与实现完毕，那下面我们就考虑帧对应的图像金字塔，对于图像金字塔，直接采用了OpenCV的数据结构cv::Mat，定义为typedef std::vector<cv::Mat> ImgPyr;以及对于特征feature的定义：/svo/include/feature.h
具体帧初始化时，也就是对帧对应的图像进行构造图像金字塔。/svo/src/frame.cpp
特征检测:上面基本的类型已经定义好了，下面进行特征提取。对于特征提取，为了特征跟踪的时候，不容易出现突变，通过将图像进行划分为单元格(将图像分成grid_n_cols_*grid_n_rows_个格子)，使得检测到的特征尽可能的分散，尽量保证每个单元格有一个特征。对特征检测也进行抽象，为了后期可以方便的切换到其它特征检测算法，/svo/src/feature_detection.cpp /svo/inculde/feature_detection.h
定义好特征检测的抽象类，我们主要使用的特征检测算法为FAST特征检测,由抽象类定义FAST特征检测类，[并且使用了shiTomasiScore方法，我们对通过FAST检测出的角点进行了进一步的筛选（Shi-Tomasi角点提取的方法），确保提取出的角点的稳定性。我们采用了第三方库fast，主要作者通过SSE2指令进行了实现，效率高。---后续对这一块进一步学习。]
初始位置确定
前面我们已经进行了特征提取，接下来不是通过特征匹配的方式来寻找对应特征点，而是采用跟踪的方式。
初始位置的确定很重要，要确保初始位置的尽可能的准确。
Sophus库的添加：对于sophus，目前我理解的范围就是对旋转和平移做了一个封装，可以更好的进行刚性变换。
基本思路：根据光流确定对应特征点，根据对应特征点计算两帧之间的单应矩阵，根据单应矩阵进行分解，计算出两帧之间的旋转和平移。
考虑到帧的旋转和平移，则在帧上添加属性,添加从世界坐标系(w)orld转到摄像机坐标系(f)rame的刚性变换Rt
Sophus::SE3 Tf_w；
而对于特征添加特征对应的3D点，以及特征的单位方向向量（用于后期的三角定位）
Vector3d f; //!< 特征的单位方向向量 Point3D* point; //!< 指针指向跟特征对应的3D点
选择第一帧/svo/src/initalization.cpp /svo/inculde/initalization.h
