特征点的检测

图像的特征点可以简单的理解为图像中比较显著的点，如轮廓点，较暗区域中的亮点，较亮区域中的暗点等。

原图

轮廓线（可能的特征点）

ORB采用FAST（features from accelerated segment test）算法来检测特征点。FAST核心思想就是找出那些卓尔不群的点，即拿一个点跟它周围的点比较，如果它和其中大部分的点都不一样就可以认为它是一个特征点。

FAST特征点检测

备注：每个小方格代表一个像素，方格内的颜色只是为了便于区分，不代表该像素点的颜色。

FAST具体计算过程：

从图片中选取一个像素点P，下面我们将判断它是否是一个特征点。我们首先把它的密度（即灰度值）设为Ip。
设定一个合适的阙值t ：当2个点的灰度值之差的绝对值大于t时，我们认为这2个点不相同。
考虑该像素点周围的16个像素。（见上图）
现在如果这16个点中有连续的n个点都和P点不同，那么它就是一个角点。这里n设定为12。
【个人认为作者这个方法有问题】我们现在提出一个高效的，来快速排除一大部分非特征点的点。该测试仅仅检查在位置1、9、5和13四个位置的像素（首先检查1和9，看它们是否和P点相同。如果是，再检查5和13）。如果是一个角点，那么上述四个像素点中至少有3个应该和P点相同。如果都不满足，那么不可能是一个角点。

图中红色的点为使用FAST算法找到的特征点。

特征点的描述

2.1计算特征描述子

得到特征点后我们需要以某种方式描述这些特征点的属性。这些属性的输出我们称之为该特征点的描述子（Feature Descritors）.ORB采用BRIEF算法来计算一个特征点的描述子。BRIEF算法的核心思想是在关键点P的周围以一定模式选取N个点对，把这N个点对的比较结果组合起来作为描述子。

选取N个点对

BRIEF的具体步骤

1.以关键点P为圆心，以d为半径做圆O。

2.在圆O内某一模式选取N个点对。这里为方便说明，N=4，实际应用中N可以取512.

假设当前选取的4个点对如上图所示分别标记为：

3.定义操作T

4.分别对已选取的点对进行T操作，将得到的结果进行组合。

假如：

则最终的描述子为：1011

2.2理想的特征点描述子应该具备的属性

在现实生活中，我们从不同的距离，不同的方向、角度，不同的光照条件下观察一个物体时，物体的大小，形状，明暗都会有所不同。但我们的大脑依然可以判断它是同一件物体。理想的特征描述子应该具备这些性质。即，在大小、方向、明暗不同的图像中，同一特征点应具有足够相似的描述子，称之为描述子的可复现性（鲁棒性）。

当以某种理想的方式分别计算上图中红色点的描述子时，应该得出同样的结果。即描述子应该对光照（亮度）不敏感，具备尺度一致性（大小），旋转一致性（角度）等。

上面我们用BRIEF算法得到的描述子并不具备以上这些性质。因此我们得想办法改进我们的算法。ORB并没有解决尺度一致性问题，在OpenCV的ORB实现中采用了图像金字塔来改善这方面的性能。ORB主要解决BRIEF描述子不具备旋转不变性的问题。

回顾一下BRIEF描述子的计算过程：在当前关键点P周围以一定模式选取N个点对，组合这N个点对的T操作的结果就为最终的描述子。当我们选取点对的时候，是以当前关键点为原点，以水平方向为X轴，以垂直方向为Y轴建立坐标系。当图片发生旋转时，坐标系不变，同样的取点模式取出来的点却不一样，计算得到的描述子也不一样，这是不符合我们要求的。因此我们需要重新建立坐标系，使新的坐标系可以跟随图片的旋转而旋转。这样我们以相同的取点模式取出来的点将具有一致性。

打个比方，我有一个印章，上面刻着一些直线。用这个印章在一张图片上盖一个章子，图片上分处直线2头的点将被取出来。印章不变动的情况下，转动下图片，再盖一个章子，但这次取出来的点对就和之前的不一样。为了使两次取出来的点一样，我需要将章子也旋转同一个角度再盖章。（取点模式可以认为是章子上直线的分布情况）

ORB在计算BRIEF描述子时建立的坐标系是以关键点为圆心，以关键点和取点区域的质心的连线为X轴建立二维坐标系。

在图1中，P为关键点。圆内为取点区域，每个小格子代表一个像素。现在我们把这块圆心区域看做一块木板，木板上每个点的质量等于其对应的像素值。根据积分学的知识我们可以求出这个密度不均匀木板的质心Q。计算公式如下。其中R为圆的半径。

我们知道圆心是固定的而且随着物体的旋转而旋转。当我们以PQ作为坐标轴时（图2），在不同的旋转角度下，我们以同一取点模式取出来的点是一致的。这就解决了旋转一致性的问题。

特征点的匹配

ORB算法最大的特点就是计算速度快。这首先得益于使用FAST检测特征点，FAST的检测速度正如它的名字一样是出了名的快。再次是使用BRIEF算法计算描述子，该描述子特有的二进制串的表现形式不仅节约了存储空间，而且大大缩短了匹配的时间。

例如特征点A、B的描述子如下。

A：10101011

B：10101010

我们设定一个阈值，比如80%。当A和B的描述子的相似度大于90%时，我们判断A,B是相同的特征点，即这2个点匹配成功。在这个例子中A,B只有最后一位不同，相似度为87.5%，大于80%。则A和B是匹配的。

我们将A和B进行异或操作就可以轻松计算出A和B的相似度。而异或操作可以借组硬件完成，具有很高的效率，加快了匹配的速度。

特征点的匹配

总结

本文只对ORB算法核心思想做一个解读。在具体的实现中还涉及到很多的细节及优化问题。了解更多的细节请参考下面一些资料。
http://download.csdn.NET/detail/yang843061497/7785917
http://www.cvchina.info/2011/07/04/whats-orb/
http://blog.sina.com.cn/s/blog_916b71bb0100w9al.html

作者：潘凌昀
链接：https://www.jianshu.com/p/9ee6b2145eaa
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

ORB特征原理（浅显易懂）相关推荐

ORB特征描述原理、python实现及基于opencv实现
写在前面: 黄宁然,看你看过的算法系列*,不如,就到此吧. 参考文献镇楼: [1]汪洋,扫地机器人定位算法设计与嵌入式系统实现 [2]王雯涛,ORB图像特征提取算法的FPGA设计与实现 [3]房亮,基 ...
VSLAM系列原创04讲 | 四叉树实现ORB特征点均匀化分布：原理+代码
本文系ORB-SLAM2原理+代码实战系列原创文章,对应的视频课程见: 如何真正搞透视觉SLAM? 大家好,从今天开始我们陆续更新ORB-SLAM2/3系列的原创文章,以小白和师兄对话的形式阐述背景原 ...
ORB-SLAM中的ORB特征（提取）
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者:小葡萄 https://zhuanlan.zhihu.com/p/61738607 本文仅做学术 ...
opencv上gpu版surf特征点与orb特征点提取及匹配实例
opencv上gpu版surf特征点与orb特征点提取及匹配实例标签: gpu版surfgpu orbsurf和orbgpu surf及orbsurf orb gpu 2016-09-25 23:4 ...
ORB特征点提取与均匀化——ORBSLAM2源码讲解（一）
文章目录前言一.基础知识二.ORB特征均匀化策略对性能的影响三.ORB特征金字塔四.ORB提取扩展图像五.ORB特征均匀化总结前言本博客结合哔哩大学视频ORBSLAM2[ORBSLA ...
ORB2单目读代码笔记5--利用灰度质心计算ORB特征点方向，实现旋转不变性
5.利用灰度质心计算ORB特征点方向,实现旋转不变性 ComputeKeyPointOctTree 跳转 computeOrientation computeOrientation 跳转 IC_Ang ...
java opencv orb_OpenCV提取ORB特征并匹配
一.什么是特征? 图像的特征(Feature),是图像上最具代表性的一些点.所谓最具代表性,就是说这些点包含了图像表述的大部分信息.即使旋转.缩放,甚至调整图像的亮度,这些点仍然稳定地存在,不会丢失. ...
ORB特征均匀提取策略对性能的提升有多大？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:计算机视觉life 在ORB-SLAM(2)的论文中,作 ...
ORB算法原理解读【不错】
ORB算法原理解读这篇写得很好 ORB特征提取.匹配及位置估计里面对匹配的讲解比较好两个不同二进制之间的汉明距离指的是两个二进制串不同位的个数.两个二进制不同位的个数是越少越好 ...

ORB特征原理（浅显易懂）

特征点的检测

FAST具体计算过程：

特征点的描述

2.1计算特征描述子

BRIEF的具体步骤

2.2理想的特征点描述子应该具备的属性

特征点的匹配

总结

ORB特征原理（浅显易懂）相关推荐

最新文章

热门文章