单应性估计homography estimatio是一种深度卷积神经网络，用于估计两张图像之间的相对单应性（homography),其前馈网络包含10层，以两张堆叠的灰度图像作为输入，输出一个具有8个自由度的单应性矩阵，可用于将第一张图像的像素映射到第二张图像。描述同一个平面在两个不同视角下的投影关系
如何映射：分类单应性网络（Classification HomographyNet）会为每个角点的每一个潜在二维位移生成一个分数。每个角点对应的这个二维分数网格，其实就可以被看作是一种概率分布。
【二维分数网络：其实就是网络输出的热力图（Heatmap），分数越高的地方，说明模型越觉得这个位移是正确的，所以把它理解成“分布”是非常合理的。】数学描述：两张图像之间的单应性变换通常用一个3*3的矩阵H来表示。这个矩阵总共有9个元素：
但是，单应性矩阵使用的是齐次坐标，在齐次坐标系下，矩阵乘以一个非零的常数k，得到的变换效果是完全一样的（即 HH 和 kHkH 是等价的）。
因为存在这种全局尺度不确定性，我们可以固定矩阵中的某一个元素（例如令 h33=1h33=1 ），或者规定矩阵的范数 ∥H∥=1∥H∥=1 。
这样一来，9个元素减去1个尺度约束，9 - 1 = 8，所以单应性矩阵拥有 8 个自由度。因为单应性有8个自由度，而二维图像上的一个点提供2个坐标约束（x和y），所以刚好需要4对对应点（2*4=8）就可以列出一个方程组，从而唯一求解出这个3*3的单应性矩阵。这也是传统计算机视觉算法的基础。
与ORB传统局部纹理描述子作对比：传统算法ORB是一种局部特征提取与匹配算法。它的作用是在图像中寻找具有显著纹理的“特征点”（如角点），所谓的“具有显著纹理的特征点”，通常指的是图像中那些在局部区域内灰度值（亮度）发生剧烈变化、具有明显方向性且易于被区分的像素点。
而homography是一个包含8个参数的 3x3 矩阵。它的任务是：根据 ORB 找到的那些零散的对应点，反推出一个全局的几何变换公式。
ORB寻找局部特征的核心标准：
ORB算法的第一步是使用FAST角点检测器。FAST的原理是检查一个中心像素周围一圈（通常是16个像素）的亮度。如果这一圈中有连续多个像素的亮度都比中心像素明显亮，或者明显暗，那么这个中心点就会被认定为“特征点”。
找到角点后，ORB还会计算这些点的BRIEF描述子（通过比较周围特定像素对的亮度大小，生成一串0和1组成的二进制码）。
ORB具有旋转不变性，它会计算特征点周围区域的“重心”（灰度质心),从而算出该点的主方向。即使相机旋转了，ORB依然能认出是同一个点。
ORB具有尺度适应性，ORB使用了图像金字塔技术，在不同缩放比例的图像上寻找特征点。无论远处的微小纹理，还是近处的大块纹理，只要满足上述条件，都能被提取出来。
应用：可用于增强现实，利用目标系统自身的传感器和环境生成的图像对样本进行训练，做AR的时候，用特定设备在真实场景下拍的照片对去训练单应性网络，能让AR应用受益。
