1. Feature Motion for Monocular Robot Navigation

2. 單視覺機器人 – 追蹤 (tracking) 最常見的機器人導航技術 特徵點特性（特別 匹配性 抗破壞性） 特徵點取得（區塊 尺度不變）

3. 單視覺機器人 – 追蹤 Good features to track 圖像特徵點 移動規律 ( 映射 ) 平面影像上的立體變化

4. 單視覺機器人 – 追蹤 SIFT (Scale-invariant feature transform ) 特徵點擷取 特徵點描述 128 維度特徵指標 ( 方向 梯度 …) 高準確度

5. 單視覺機器人 – 追蹤 Harris corner ( 改進 Moravec corner)

6. 單視覺機器人 – 追蹤方法選擇 追蹤環境 室內 室外 應用主體 臉部判別 移動 影像品質 特徵需求

7. 目標 決定目標物在下張影像的位置 方法 SIFT 多重對應

8. 目標 決定目標物在下張影像的位置

9. 目標 決定目標物在下張影像的位置 手段 旋轉 非等性變形 映射 ( homography: 單應性 )

10. 瑕疵 homography transforms 同一物體在兩張圖片中的對應方法 非精準 可接受 需要明顯對應物

11. 不同 H 的正規化相關匹配對應結果

14. 瑕疵 homography transforms 同一物體在兩張圖片中的對應方法 非精準 可接受 需要明顯對應物 僅能單一平面對應

15. 瑕疵 解決 homography transforms 計算各種不同的 H 使用 RANSAC 方法選擇最佳 H

16. 最佳化映射對應 RANdom SAmple Consensus (RANSAC) 重複 N 次： 隨機取四組對應特徵點，帶入映射函式取參數 將影像 A 中所有特徵點依上式參數帶入映射，求出 特徵點在影像 B 所在位置，並計算匹配距離 給定 d ，記錄該次匹配距離 <d 的特徵點對應數目 選擇最佳參數

17. 決定 H 原圖上的點 x i 映射後的點 x i ’ H 矩陣 3x3 Hx i =x i ’

18. 決定 H 使用 Direct Linear Transformation (DLT)

19. 決定 H 使用 Direct Linear Transformation (DLT)

20. 決定 H 使用 Direct Linear Transformation (DLT)

21. 決定 H 使用 Direct Linear Transformation (DLT)

22. 最佳化映射對應 RANdom SAmple Consensus (RANSAC) 重複 N 次： 隨機取四組對應特徵點 ，帶入映射函式取參數 將影像 A 中所有特徵點依上式參數帶入映射，求出特徵 點在影像 B 所在位置，併計算匹配距離 給定 d ，記錄該次匹配距離 <d 的特徵點對應數目 選擇最佳參數

23. 決定 H 使用 Direct Linear Transformation (DLT) 計算 SVD 參數即為 V 之最下面那行

24. 特徵追蹤 取得 H ，套用在低特徵物體 Normalized Cross Correlation(NCC) 精確對應 window 灰階 -> 統計 -> 向量 -> 夾角

29. 應用 Autostitch Google Map Microsoft Photosyth