作为视觉slam中4大步骤的最前端，视觉里程计（VO）是视觉前端，它根据相邻图像的信息估计出粗略的相机运动，给后端提供较好的初始值。而其主要实现方法，分为特征点法，直接法。其中特征点法目前是主流，它运动稳定，对光照，动态物体不敏感，是目前比较成熟的解决方案。
1. 特征点
图像本是一个由亮度和色彩组成的矩阵，从矩阵层面考虑运动估计比较困难。我们可以选取有代表性的点，相机视角发生变化，我们根据各个图像中相同的点，讨论相机位姿估计问题，及定位问题。在视觉slam中，这些点指图像特征( Feature )
这些角点事实上不满足我们的很多需求。例如，从远处看上去是角点的地方，当相机走近后，可能就无法识别出来。或者相机转动，角点的外观会发生变化，相机再次无法识别。目前为了解决这些问题，研究出了更加稳定的局部图像特征，如：SIFT,SURF,ORB等等。
a. 可重复性：相同的“区域”可以在不同的图像中找到。
b. 可区别性：不同的”区域“有不同的表达。
c. 高效率：同一图像中，特征点的数量应远小于像素的数量。
SIFT算法: 充分考虑了在图像变换过程中出现的光照，尺度，旋转等变化，故计算量极大。目前普通PC的CPU还无法实时地计算SIFT特征，进行定位与建图。
ORB算法: 适当的降低精度和健壮性，以提高计算的速度。采用速度极快的二进制描述子BRIEF，使整个图像特征提取的环节大大加速。
2.FAST关键点
a. FAST是一个角点，主要检测局部像素灰度变化明显的地方，以速度快著称。它的思想是：如果一个像素与邻域的像素差别较大(过明或过暗)，那么它更可能是角点，相比其他角点检测算法，FAST只需比较像素亮度的大小，十分快捷。
b. 检测过程：
在图像中选取像素p, 假设它的亮度为Ip。
设置一个阈值T(比如，Ip的20%)。
以像素p为中心，选取半经为3的圆上的16个像素点。
如贵选取的圆上有连续的N个点亮度大于Ip+T或小于Ip-T，那么像素p可认为是特征点（N通常取12，即FSAT-12。其他常用的N取值为9和11,称为FSAT-9,FSAT-11)。
循环以上四部，对每一个像素执行相同的操作。
c. 上诉其实也慢了点，故添加一项预测试操作，以快速地排除绝大多数不是角点的像素。具体操作，对于每个像素，直接检测邻域圆上的第1，5，9，13个像素的亮度，否则直接排除。原始FATS角点也会出现“扎堆”的现象，所以在第一边检测之后，还需要非极大值抑制。
d. FSAT不具备方向性和尺度，ORB添加了尺度和旋转的描述。其中尺度不变性由构建图像金字塔，并在金字塔的每一层上检测角点来实现。而特征的旋转是由灰度质心法实现。
3. BRIEF描述子
视觉里程计（VO）里，主要是测量特征点，描述子。对图像进行很好的识别。ERIEF是一种二进制描述子，其描述向量由许多0，1组成。这里的0和1编码了关键点附近两个像素（比如p和q）的大小关系。如果p比q大，则取1，反之则取0。大体按照某种概率分布，随机地挑选p和q的位置。
优点：BRIEF使用随机选点的比较，速度比较快，而且使用了二进制表达，存储起来十分方便，适用于实时的图像匹配。
4. 特征匹配
特征匹配的关键在VO中无需质疑，它解决了slam中的数据关联问题，即确定当前看到的路标与之前看到的路标之间的对应关系。一般特征匹配方法就是暴力匹配，即对每一个特征点Xt与所有的Xt+1测量描述子的距离，然后排序，取最近的一个作为匹配点。描述子表示了两个特征之间的相似程度，不过在实际运用中，还可以取不同的距离度量范数。我们往往使用汉明距离作为度量-两个二进制串之间的汉明距离，指的是其不同位数的个数。
然而，当特征点数量很大时，暴力匹配显然不实际，快速近似最近邻算法更适合于匹配点数量极多的情况。
5. 对极几何
使用两张图像中得到了一对配对好的特征值，通过这些二维图像的对应关系，恢复出在两帧之间摄像机的运动。使用到基本矩阵，本质矩阵，单应矩阵。