作爲視覺slam中4大步驟的最前端，視覺里程計（VO）是視覺前端，它根據相鄰圖像的信息估計出粗略的相機運動，給後端提供較好的初始值。而其主要實現方法，分爲特徵點法，直接法。其中特徵點法目前是主流，它運動穩定，對光照，動態物體不敏感，是目前比較成熟的解決方案。
1. 特徵點
圖像本是一個由亮度和色彩組成的矩陣，從矩陣層面考慮運動估計比較困難。我們可以選取有代表性的點，相機視角發生變化，我們根據各個圖像中相同的點，討論相機位姿估計問題，及定位問題。在視覺slam中，這些點指圖像特徵( Feature )
這些角點事實上不滿足我們的很多需求。例如，從遠處看上去是角點的地方，當相機走近後，可能就無法識別出來。或者相機轉動，角點的外觀會發生變化，相機再次無法識別。目前爲了解決這些問題，研究出了更加穩定的局部圖像特徵，如：SIFT,SURF,ORB等等。
a. 可重複性：相同的“區域”可以在不同的圖像中找到。
b. 可區別性：不同的”區域“有不同的表達。
c. 高效率：同一圖像中，特徵點的數量應遠小於像素的數量。
SIFT算法: 充分考慮了在圖像變換過程中出現的光照，尺度，旋轉等變化，故計算量極大。目前普通PC的CPU還無法實時地計算SIFT特徵，進行定位與建圖。
ORB算法: 適當的降低精度和健壯性，以提高計算的速度。採用速度極快的二進制描述子BRIEF，使整個圖像特徵提取的環節大大加速。
2.FAST關鍵點
a. FAST是一個角點，主要檢測局部像素灰度變化明顯的地方，以速度快著稱。它的思想是：如果一個像素與鄰域的像素差別較大(過明或過暗)，那麼它更可能是角點，相比其他角點檢測算法，FAST只需比較像素亮度的大小，十分快捷。
b. 檢測過程：
在圖像中選取像素p, 假設它的亮度爲Ip。
設置一個閾值T(比如，Ip的20%)。
以像素p爲中心，選取半經爲3的圓上的16個像素點。
如貴選取的圓上有連續的N個點亮度大於Ip+T或小於Ip-T，那麼像素p可認爲是特徵點（N通常取12，即FSAT-12。其他常用的N取值爲9和11,稱爲FSAT-9,FSAT-11)。
循環以上四部，對每一個像素執行相同的操作。
c. 上訴其實也慢了點，故添加一項預測試操作，以快速地排除絕大多數不是角點的像素。具體操作，對於每個像素，直接檢測鄰域圓上的第1，5，9，13個像素的亮度，否則直接排除。原始FATS角點也會出現“扎堆”的現象，所以在第一邊檢測之後，還需要非極大值抑制。
d. FSAT不具備方向性和尺度，ORB添加了尺度和旋轉的描述。其中尺度不變性由構建圖像金字塔，並在金字塔的每一層上檢測角點來實現。而特徵的旋轉是由灰度質心法實現。
3. BRIEF描述子
視覺里程計（VO）裏，主要是測量特徵點，描述子。對圖像進行很好的識別。ERIEF是一種二進制描述子，其描述向量由許多0，1組成。這裏的0和1編碼了關鍵點附近兩個像素（比如p和q）的大小關係。如果p比q大，則取1，反之則取0。大體按照某種概率分佈，隨機地挑選p和q的位置。
優點：BRIEF使用隨機選點的比較，速度比較快，而且使用了二進制表達，存儲起來十分方便，適用於實時的圖像匹配。
4. 特徵匹配
特徵匹配的關鍵在VO中無需質疑，它解決了slam中的數據關聯問題，即確定當前看到的路標與之前看到的路標之間的對應關係。一般特徵匹配方法就是暴力匹配，即對每一個特徵點Xt與所有的Xt+1測量描述子的距離，然後排序，取最近的一個作爲匹配點。描述子表示了兩個特徵之間的相似程度，不過在實際運用中，還可以取不同的距離度量範數。我們往往使用漢明距離作爲度量-兩個二進制串之間的漢明距離，指的是其不同位數的個數。
然而，當特徵點數量很大時，暴力匹配顯然不實際，快速近似最近鄰算法更適合於匹配點數量極多的情況。
5. 對極幾何
使用兩張圖像中得到了一對配對好的特徵值，通過這些二維圖像的對應關係，恢復出在兩幀之間攝像機的運動。使用到基本矩陣，本質矩陣，單應矩陣。