特征提取与检测（三） --- ORB算法

转载：ORB_关于对噪声、尺度、旋转的改进

简介

ORB的全称是ORiented Brief，是文章ORB: an efficient alternative to SIFT or SURF中提出的一种新的角点检测与特征描述算法。实际上，ORB算法是将FAST角点检测与BRIEF特征描述结合并进行了改进。

ORB算法:
在文章《BRIEF特征点描述算法》中，指出了BRIEF的优缺点，ORB算法就是针对BRIEF算法的缺点1、2提出来的。ORB算法分为两个部分：FAST特征点检测、BRIEF特征描述。

FAST特征检测:
在文章《FAST特征点检测算法》中，详细阐述了FAST算法。但该算法仅仅确定了特征点的位置，没有得到其他任何信息。在ORB算法中，依然采用FAST来检测特征点的位置，但算法进行了如下改动：（以FAST-9为例）

1、假设在图像中要提取N个特征点，则降低FAST的阈值，使FAST算法检测到的特征点大于N；

2、在特征点位置处，计算特征点的Harris响应值R，取前N个响应值大的点作为FAST特征点（Harris角点响应计算：Harris角点检测中的数学推导）；

3、由于要解决BRIEF算法的旋转不变性，则需要计算特征点的主方向。

ORB中利用重心来计算，如下（其中(x,y)是特征邻域内的点）：

atan2表示反正切，得到的θ值就是FAST特征点的主方向。

BRIEF特征描述:
在文章《BRIEF特征点描述算法》种，阐述了BRIEF算法。该算法速度优势相当明显，但存在三个致命的缺点。针对尺度不变性，可以像SIFT算法一样，子尺度空间构造图像金字塔解决，此处不再说明。ORB算法主要解决前两天缺点：噪声敏感、旋转不变性。

1、解决噪声敏感问题

BRIEF中，采用了9x9的高斯算子进行滤波，可以一定程度上解决噪声敏感问题，但一个滤波显然是不够的。ORB中提出，利用积分图像来解决：在31x31的窗口中，产生一对随机点后，以随机点为中心，取5x5的子窗口，比较两个子窗口内的像素和的大小进行二进制编码，而非仅仅由两个随机点决定二进制编码。（这一步可有积分图像完成）

2、解决旋转不变性

利用FAST中求出的特征点的主方向θ，对特征点邻域进行旋转，Calonder建议先将每个块旋转后，再进行BRIEF描述子的提取，但这种方法代价较大。ORB算法采用的是：每一个特征点处，对产生的256对随机点（以256为例），将其进行旋转，后进行判别，再二进制编码。如下：S表示随机点位置（2xn的矩阵），Sθ表示旋转后的随机点的位置（2xn的矩阵），x1=(u1,v1)是一个坐标向量，其余雷同。n=256。

得到新的随机点位置后，利用积分图像进行二进制编码，即可。

实验: opencv代码

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/legacy/legacy.hpp>
#include <iostream>
#include <vector>  using namespace cv;
using namespace std;
int main()
{  Mat img_1 = imread("beaver1.png");  Mat img_2 = imread("beaver2.png");  if (!img_1.data || !img_2.data)  {  cout << "error reading images " << endl;  return -1;  }  ORB orb;  vector<KeyPoint> keyPoints_1, keyPoints_2;  Mat descriptors_1, descriptors_2;  orb(img_1, Mat(), keyPoints_1, descriptors_1);  orb(img_2, Mat(), keyPoints_2, descriptors_2);  BruteForceMatcher<HammingLUT> matcher;  vector<DMatch> matches;  matcher.match(descriptors_1, descriptors_2, matches);  double max_dist = 0; double min_dist = 100;  //-- Quick calculation of max and min distances between keypoints  for( int i = 0; i < descriptors_1.rows; i++ )  {   double dist = matches[i].distance;  if( dist < min_dist ) min_dist = dist;  if( dist > max_dist ) max_dist = dist;  }  printf("-- Max dist : %f \n", max_dist );  printf("-- Min dist : %f \n", min_dist );  //-- Draw only "good" matches (i.e. whose distance is less than 0.6*max_dist )  //-- PS.- radiusMatch can also be used here.  std::vector< DMatch > good_matches;  for( int i = 0; i < descriptors_1.rows; i++ )  {   if( matches[i].distance < 0.6*max_dist )  {   good_matches.push_back( matches[i]);   }  }  Mat img_matches;  drawMatches(img_1, keyPoints_1, img_2, keyPoints_2,  good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),  vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);  imshow( "Match", img_matches);  cvWaitKey();  return 0;
}

实验结果:

ORB源码:
在：..\opencv\sources\modules\features2d\src\orb.c中，请自行查看分析，这里列出部分源码：

static void//计算Harris角点响应
HarrisResponses(const Mat& img, vector<KeyPoint>& pts, int blockSize, float harris_k)
{  CV_Assert( img.type() == CV_8UC1 && blockSize*blockSize <= 2048 );  size_t ptidx, ptsize = pts.size();  const uchar* ptr00 = img.ptr<uchar>();  int step = (int)(img.step/img.elemSize1());  int r = blockSize/2;  float scale = (1 << 2) * blockSize * 255.0f;  scale = 1.0f / scale;  float scale_sq_sq = scale * scale * scale * scale;  AutoBuffer<int> ofsbuf(blockSize*blockSize);  int* ofs = ofsbuf;  for( int i = 0; i < blockSize; i++ )  for( int j = 0; j < blockSize; j++ )  ofs[i*blockSize + j] = (int)(i*step + j);  for( ptidx = 0; ptidx < ptsize; ptidx++ )  {  int x0 = cvRound(pts[ptidx].pt.x - r);  int y0 = cvRound(pts[ptidx].pt.y - r);  const uchar* ptr0 = ptr00 + y0*step + x0;  int a = 0, b = 0, c = 0;  for( int k = 0; k < blockSize*blockSize; k++ )  {  const uchar* ptr = ptr0 + ofs[k];  int Ix = (ptr[1] - ptr[-1])*2 + (ptr[-step+1] - ptr[-step-1]) + (ptr[step+1] - ptr[step-1]);  int Iy = (ptr[step] - ptr[-step])*2 + (ptr[step-1] - ptr[-step-1]) + (ptr[step+1] - ptr[-step+1]);  a += Ix*Ix;  b += Iy*Iy;  c += Ix*Iy;  }  pts[ptidx].response = ((float)a * b - (float)c * c -  harris_k * ((float)a + b) * ((float)a + b))*scale_sq_sq;  }
}

//计算FAST角点的主方向
static float IC_Angle(const Mat& image, const int half_k, Point2f pt,  const vector<int> & u_max)
{  int m_01 = 0, m_10 = 0;  const uchar* center = &image.at<uchar> (cvRound(pt.y), cvRound(pt.x));  // Treat the center line differently, v=0  for (int u = -half_k; u <= half_k; ++u)  m_10 += u * center[u];  // Go line by line in the circular patch  int step = (int)image.step1();  for (int v = 1; v <= half_k; ++v)  {  // Proceed over the two lines  int v_sum = 0;  int d = u_max[v];  for (int u = -d; u <= d; ++u)  {  int val_plus = center[u + v*step], val_minus = center[u - v*step];  v_sum += (val_plus - val_minus);  m_10 += u * (val_plus + val_minus);  }  m_01 += v * v_sum;  }  return fastAtan2((float)m_01, (float)m_10);
}

#define GET_VALUE(idx) \  (x = pattern[idx].x*a - pattern[idx].y*b, \ //计算旋转后的位置  y = pattern[idx].x*b + pattern[idx].y*a, \  ix = cvRound(x), \  iy = cvRound(y), \  *(center + iy*step + ix) )  //判决，并二进制编码
for (int i = 0; i < dsize; ++i, pattern += 16)
{  int t0, t1, val;  t0 = GET_VALUE(0); t1 = GET_VALUE(1);  val = t0 < t1;  t0 = GET_VALUE(2); t1 = GET_VALUE(3);  val |= (t0 < t1) << 1;  t0 = GET_VALUE(4); t1 = GET_VALUE(5);  val |= (t0 < t1) << 2;  t0 = GET_VALUE(6); t1 = GET_VALUE(7);  val |= (t0 < t1) << 3;  t0 = GET_VALUE(8); t1 = GET_VALUE(9);  val |= (t0 < t1) << 4;  t0 = GET_VALUE(10); t1 = GET_VALUE(11);  val |= (t0 < t1) << 5;  t0 = GET_VALUE(12); t1 = GET_VALUE(13);  val |= (t0 < t1) << 6;  t0 = GET_VALUE(14); t1 = GET_VALUE(15);  val |= (t0 < t1) << 7;  desc[i] = (uchar)val;
}  //产生512个随机点的坐标位置
static void makeRandomPattern(int patchSize, Point* pattern, int npoints)
{  RNG rng(0x34985739); // we always start with a fixed seed,  // to make patterns the same on each run  for( int i = 0; i < npoints; i++ )  {  pattern[i].x = rng.uniform(-patchSize/2, patchSize/2+1);  pattern[i].y = rng.uniform(-patchSize/2, patchSize/2+1);  }
}

总结:
ORB算法利用了FAST检测特征点的快，BRIEF特征描述子的简单和快，二者结合并进行了改进，导致ORB算法的又好又快。

参考文献:
1、ORB: an efficient alternative to SIFT or SURF[J],IEEE International Conference on Computer Vision,2011.

2、基于ORB和改进RANSAC算法的图像拼接技术[J],2015.

3、基于ORB特征的目标检测与跟踪的研究[硕士论文],2013.

4、基于背景差分与ORB算法的运动目标检测与跟踪算法研究[硕士论文],2014.

特征提取与检测（三） --- ORB算法相关推荐

【图像特征提取与匹配】ORB算法详述
ORB算法 ORB(Oriented FAST and Rotated BRIEF)特征是目前看来非常具有代表性的实时图像特征.它改进了 FAST(Features from Accelerated ...
图像特征算法(三)——ORB算法简述及Python中ORB特征匹配实践
计算机视觉专栏传送上一篇:图像特征算法(二)--SURF算法简述及Python标记SURF特征检测实践下一篇:持续创作中- 目录计算机视觉专栏传送一.ORB算法 1.算法简介 2.FAST寻找 ...
人脸检测三个算法比较
1. v540 首先实验的是v540,因为qw 说这是最好的版本发现5k 的人脸大部分检测不到,担心自己出错误,所以实验了casia 发现casia 是可以的,但是540 不可以 2. mtcnnV ...
数字图像处理学习笔记（三）：ORB算法（尺度不变特征变换）Oriented FAST and Rotated BRIEF
数字图像处理学习笔记(三):ORB算法(尺度不变特征变换)Oriented FAST and Rotated BRIEF 一.概述参考:特征点匹配+特征检测方法汇总 ORB的全称是Oriented ...
ORB特征提取算法分析与实现，算法分解
本文对2012年最好的特征检测论文,进行了评价和分析.以及相关实现的代码. 本文所来自于原文附件在下面.点击打开链接 ORB:SIFT或SURF的有效替代算法 Ethan Ru ...
ORB算法——特征提取特征匹配
特征提取 Abstract ORB(Oriented Fast and Rotated Brief),可以用来对图像中的关键点快速创建特征向量,这些特征向量可以用来识别图像中的对象. 其中,Fast ...
特征提取(三)SURF算法详解
转自:https://www.cnblogs.com/jinjidexuetu/p/90ace4e8de574e3d5f4e6ac16a0dc157.html 另外加了些自己的理解一.原理: Sif ...
卷积神经网络三:目标检测和yolo算法
1 目标定位对象检测,它是计算机视觉领域中一个新兴的应用方向,相比前两年,它的性能越来越好.在构建对象检测之前,我们先了解一下对象定位,首先我们看看它的定义. 图片分类任务我们已经熟悉了,就是算法遍 ...
特征提取与检测（二） --- SIFT算法
SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points) ...

特征提取与检测（三） --- ORB算法

转载：ORB_关于对噪声、尺度、旋转的改进

简介

特征提取与检测（三） --- ORB算法相关推荐

最新文章

热门文章