VINS前端使用KLT稀疏光流跟踪算法（使用KLT特征点检测方法的LK跟踪算法）来跟踪抓取特征点（稀疏光流法只计算部分像素的运动，计算所有像素的称为稠密光流法）
KLT中的角点检测方法是用于满足LK光流法选择合适特征点的需求，LK光流法是通过先在前后两帧图像里分别建立一个固定大小窗口，然后找到让两个窗口间像素强度差的平方和最小的位移。然后将窗口内像素的移动近似为这样的位移向量（视所有像素移动都是这么移动）。然后实际上，一方面像素移动并不会那么简单，另一方面窗口内像素并不都是同样的移动方式，因为这样的近似必然会带来误差。而现在的问题就是如何去选择合适的窗口，或者特征点，从而获得最为精确的跟踪。KLT角点检测方法就是为了选择一个适合跟踪的特征点，它认为一个好的特征点的定义应当就是能被好的跟踪。
算法需要在以下三大假设才成立
1。亮度恒定（也可以说是灰度不变，假设在同一空间下图片中相同像素点的灰度值不变）
2.估计的两帧图片之间时间连续或者运动位移小。
3.假设某一个窗口内的所有像素具有相同的运动
1）像素点的光强度函数可以由其泰勒展开式表示，g指强度梯度，d指像素位移
2）计算出一个d值使窗口内偏差光强能量最小，即使其导数为0
从而我们可以得出Gd=e
由上式，我们就可以估计出位移向量d，显然这个估计是建立在窗口内的像素的是平滑(与粗糙相对）的，即其强度是一致的，而实际上这会在窗口内一些变化较大（如角点）的位置，造成其位移估计d偏差较大。然而可以通过迭代的方式，不断的应用新的d值，而图像块每次迭代都可以采用双线性插值（获得子像素精确度）得到新位置。
（3）下面最为重要的是这个角点的选择问题，这个角点是根据G矩阵的两个特征值来选择的，一方面两个特征值不能太小，排除噪声影响，另一方面两个特征值不能差别太大，说明这是角点。这里提出了下面的公式：
特征点的选择：首先将最小特征值降序排列，优先选择最小特征值大的。为了防止窗口重叠，如果发生选择的特征点在先前选择特征点的窗口内，就删除。最后再通过能量偏差函数删除。
对于特征值的说明，前一阵子没有具体搞懂特征值代表什么，经过这几天的查阅才知道，这是线性代数里的知识，对于矩阵A，存在一个实数Q,一个向量X，使得AX=QX,则矩阵的特征值为Q。
