1.一种穿戴式导航装备中视觉导航特征点提取与匹配方法，其特征在于，包括以下步骤：步骤1，读取摄像头前后两帧原始图像，对两张图像分别构建6组5层的高斯‑拉普拉斯金字塔；

步骤2，在步骤1构建的高斯‑拉普拉斯金字塔中，将同一组相邻的上下两层图像相减，得到高斯‑拉普拉斯差分尺度空间；

步骤3，遍历高斯‑拉普拉斯差分尺度空间中的所有像素点，将每个像素点与周围空间内26个像素点一一比较，运用快速比较法将局部极值点作为特征点提取出来；

步骤4，运用灰度质心法为步骤3所提取出的特征点添加方向信息；

步骤5，基于BRIEF算子描述步骤3所提取的特征点，结合步骤4所得的特征点的方向信息，生成特征点的BRIEF描述符；

步骤6，从步骤1提取的两帧原始图像中各选取一个特征点进行匹配，通过比较相似度来确定两个特征点是否匹配，基于两个特征点的BRIEF描述符计算两个特征点间的汉明距离，如果两点间的汉明距离小于128，则将两特征点匹配，否则视为不匹配；

步骤7，遍历两张图像各特征点，重复步骤6，直至所有可匹配的特征点对匹配完成；

步骤1包括如下步骤：

步骤1‑1，在构建高斯‑拉普拉斯金字塔时，首先构建一个6组5层的原始图像金字塔，以原始图像的上采样为第一组第一层，具体方法为：将原始图像的每个像素点(i,j)映射到(2i+1,2j+1)的位置，所有(2i,2j)位置的像素点取0值，构成一张2倍大小的图像，再利用插值方法将0值像素点的近似值取为周围平面内4个像素点的平均值，最终得到尺度更大的图像；

以原始图像为第一组第二层，然后依次采取二分之一降采样后得到第三、四层，以此类推至第五层，二分之一降采样的具体方法为：舍弃上层图像的偶数行、偶数列的像素点，得到下层图像；每一组的第三层作为后一组的第一层，如此反复执行，直到得到一共6组，每组

5层的金字塔，共包含30个不同尺度的图像，构成原始图像金字塔；

步骤1‑2，基于原始图像金字塔构建高斯‑拉普拉斯金字塔，高斯‑拉普拉斯金字塔的每一层由原始图像金字塔的对应层与高斯函数卷积得到，高斯函数如下所示：上式中的G(i,j)为二维高斯函数，(i,j)表示图像中第i行j列的像素点，σ为高斯核参数， 表示一个以自然常数e为底， 为指数的指数函数，x，y是所述高斯函数的两个二维变量；

按照如下公式将原始图像金字塔的每一层与高斯函数卷积，构成高斯‑拉普拉斯金字塔：L(x,y)＝G(i,j)*I(i,j)

上式中的L(x,y)为每一层图像对应的高斯函数，I(i,j)为原始图像中第i行j列的像素点的灰度值；

步骤2包括：

在步骤1构建完成的6组5层高斯‑拉普拉斯金字塔中，生成高斯‑拉普拉斯差分尺度空间，具体方法为：将高斯‑拉普拉斯金字塔中同一组相邻的上下两层图像相减得到高斯‑拉普拉斯差分尺度空间，公式如下：D(x,y)＝Ln+1(x,y)‑Ln(x,y)上式中的D(x,y)为高斯‑拉普拉斯差分尺度空间，Ln+1(x,y)，Ln(x,y)分别表示步骤1构建的高斯‑拉普拉斯金字塔中同一组图像的上、下两层；

步骤3包括如下步骤：

所述局部极值点的定义如下：如果一像素点的响应值在该像素点3×3×3的邻域内为最大值，则是一个局部极值点；每一个待检测的像素点需要与同层的8个相邻点以及上下相邻两层对应的9×2个点共26个点进行一一比较；

步骤3还包括：

在高斯‑拉普拉斯金字塔中，预设阈值T，即当步骤3检测出的特征点响应值小于T时，将此特征点剔除。

2.根据权利要求1所述的方法，特征在于，步骤4包括：定义特征点邻域像素，即一小矩形块B的矩：

p q

mpq＝∑(i,j)∈BijI(i,j)，p,q∈{0，1}p q p q

上式中mpq表示小矩形块B的矩，i、j的值视矩的阶次而定，在0阶矩中，i j为常数0，在p q

1阶矩中，i j有两个取值，分别为i和j；p，q是两个非0即1的常数；通过矩确定所述矩形块B的质心C：其中，m00为图像的0阶矩，m01、m10为图像的1阶矩；矩形块B的中心O指向质心C的向量用来表示特征点的方向，方向角度θ表示为：其中， 是一个2阶不变矩。

3.根据权利要求2所述的方法，特征在于，步骤5包括如下步骤：步骤5‑1，以步骤3所提取的特征点为中心，取3×3的邻域窗口，并在窗口内选取一对即两个像素点，比较二者灰度值大小，进行如下二进制赋值：其中，τ(I；(i1,j1),(i2,j2))表示一个二进制字符串中每个比特位的数值，(i1,j1)与(i2,j2)表示选定邻域窗口内的两像素点；

设定选取对比像素点数量为N，则最终生成的BRIEF描述符用下式表示：其中，N取为256，上式中的fN(k)即为BRIEF描述符，它是一个256位的二进制字符串，占用32字节；

步骤5‑2，使用下述方法为BRIEF描述符加上方向信息：设定第n个点像素位置为(in,jn)，n＝1，2，…，N，将N个点组成矩阵S：再基于特征点方向角度θ对应的旋转矩阵Rθ构建带有方向信息的矩阵Sθ：Sθ＝Rθ·S

其中，

利用矩阵Sθ为BRIEF描述符添加方向信息，得到FN(k)＝fN(k)|(i1,j1),(i2,j2))∈Sθ，其中，FN(k)表示带方向信息的BRIEF描述符。

4.根据权利要求3所述的方法，特征在于，步骤6包括如下步骤：步骤6‑1，基于带方向信息的BRIEF描述符，计算两特征点之间的汉明距离，将阈值设为

128，即汉明距离大于128的特征点对视为不匹配；

步骤6‑2，两张图像上汉明距离最小的两个特征点匹配成一对。