详细解读ORBSLAM中的描述子提取过程

一直都在基于ORBSLAM做一些相关的开发，只知道进来的图片会直接提取出BRIEF描述子，但是都没有详细地看过它具体的提取过程，今天仔细研究了一下代码和相关理论，弄清楚之后感觉神清气爽，部分内容查找有些费劲，所以特此整理出来，希望对需要的人有所帮助。

1. 前言

ORBSLAM中使用的ORB特征是FAST特征和BRIEF描述子的集合，详细的FAST特征的提取过程这里大概说一下，方便后面对描述子的理解；

FAST特征的提取过程：

1. 构建高斯金字塔：ComputePyramid()

　第一层为原图像，往上依次递减

　先用高斯函数进行模糊，再缩放

将图像保存至mvImagePyramid[]中

2. 计算每层图像的兴趣点ComputeKeyPointsOctTree()

对金字塔图像进行遍历，将图像分割成cCols X nRows 个30*30的小块

对每个小块进行FAST兴趣点能提取，并将提取到的特征点保存在vToDistributeKeys vector中

对vToDistributeKeys中的特征点进行四叉树节点分配DistributeOctTree()

这一步将提取出来的所有特征点都保存在变量allKeypoints中，但是这里注意allKeypoints的形式是vector < vector<KeyPoint> >，也就是说并不是所有的特征点都混在一起，外层的vector表示不同的金字塔层，也就是level；

2. 描述子变量的层层嵌套

2.1 提取描述子的第一步先建立用于保存所有描述子的变量 cv::Mat descriptors; 这里应用了形参_descriptors，为其开辟了一块内存，然后将地址给descriptors，后面对于descriptors的修改其实最终都这里会保存到形参_descriptors所对应的内存中；

    int nkeypoints = 0;for (int level = 0; level < nlevels; ++level)nkeypoints += (int)allKeypoints[level].size();if( nkeypoints == 0 )_descriptors.release();else{//为当前图像的描述子矩阵开辟了一块　n*32的区域_descriptors.create(nkeypoints, 32, CV_8U);descriptors = _descriptors.getMat();}

这里注意，假如有800个特征点, 那这里的Mat就是800*32, 同时又因为Mat的类型是CV_8U, 也就对应了Mat的每一行其实是32*8 = 256bit; 256这个数字很重要,后面会对应到pattern等;

通过新建测Mat大小也可以看到，descriptors的ROW数量与关键点个数nkieypoints一样，其实就是一行对应一个特征点；

2.2 接下来就是具体的提取过程，不是一下子提取，而是按照图像金字塔来提取，从第0层开始提取，一直到最高层nlevels；

具体每一层金字塔图像要提取多少个描述子，就要看其对应到这一层有多少个特征点nkeypointsLevel；

a. 第一步先对这一层的金字塔图像做高斯模糊；

b. 将这一层所要占用的在descriptors中的内存地址放进来，进行描述子的计算；

        Mat desc = descriptors.rowRange(offset, offset + nkeypointsLevel);//offset为其他层已经占用的行数,轮到这一层时只能从offset行开始,共提取nkeypointsLevel个computeDescriptors(workingMat, keypoints, desc, pattern);

c. 接下来进入到computeDescriptors()函数中，就开始对单个的特征点进行提取：

descriptors = Mat::zeros((int)keypoints.size(), 32, CV_8UC1); //现将这块的内容初始化为0for (size_t i = 0; i < keypoints.size(); i++)computeOrbDescriptor(keypoints[i], image, &pattern[0], descriptors.ptr((int)i));

d. 而具体每个特征点所对应的描述子的提取过程其实在computeOrbDescriptor()中，这里一层层的嵌套，看起来有些啰嗦，其实是很整洁的，从一个完整的Mat，到基于Level的块儿，再到基于每个特征点的row，所以，computeOrbDescriptor()中传入的地址是descriptors.ptr((int)i)，也就是当前块描述子的第i行；

f. 接下来是详细的提取过程，这里传入的几个参数分别为

keypoints -- 关键点坐标

img -- 当前level的被高斯后的图像

pattern 就是BRIEF的提取模板，保存的是一组一组的坐标值

desc 用于保存最后提取出的描述子；

3. BRIEF描述子的模板：

这里要先说一下BRIEF的提取步骤:

a. 在特征点周围选择一个patch，在ORBSLAM中patch的size为31*31

b. 在这个patch内通过某种方法挑选出nd个点对, ORBSLAM中为256个；

这里的某种方法，就是某个pattern，不同的pattern表示在这个patch中选择点的方式不同，ORBSLAM中nd为256，也就是我们上面说的选择256个点对儿，后面每一个点对儿会对应一个0或1的值；

c. 对于每一个点对，比如上面提到的q1(8,-3) 和点 q2(9,5), 比较这两点在patch中所对应的坐标的像素值；

d. 如果 I(p1) > I(p2) , 则该点对应的值为1，反之为0；

最后得到了nd×1的描述子；

对应到ORBSLAM中的代码就是 computeOrbDescriptor() 中;

4. pattern的构建

要提取BRIEF描述子，这里需要先明白的一个变量就是pattern，它里面具体保存的内容，以及他的作用，个人觉得与BRIEF相关的其实就是这里（貌似也没有其他地方了[捂脸]）

理解pattern之前需要先看一个变量，也就是bit_pattern_31_，也就是那个256*4的变量，看过无数遍，一直假装它并不重要，这里只摘抄两行出来：

static int bit_pattern_31_[256*4] =
{8,-3, 9,5/*mean (0), correlation (0)*/,4,2, 7,-12/*mean (1.12461e-05), correlation (0.0437584)*/,...
}

这个变量里的数字，在ORBSLAM的代码中总共是256行，代表了256个点对儿，也就是每一个都代表了一对点的坐标，如第一行表示点q1(8,-3) 和点 q2(9,5), 接下来就是要对比这两个坐标对应的像素值的大小；

好了，明白了bit_pattern_31_里面保存的点对就可以，接下来在ORBextractor的构造函数中，将这个数组转换成了std::vector<cv::Point> pattern; 也就是一个包含512个Point的变量；

const int npoints = 512;const Point* pattern0 = (const Point*)bit_pattern_31_;// copy [pattern0,pattern0+npoints] 到std::vector<cv::Point> pattern std::copy(pattern0, pattern0 + npoints, std::back_inserter(pattern));

至此，BRIEF描述子的模板已经保存成功，将要在下面的描述子成型中使用；

5. 描述子成型

center为中心，因为点对的数量为256，也就是512个点，这里将其分成32组，每一组包含16个点，也就是8个点对；

 for (int i = 0; i < 32; ++i, pattern += 16)
{int t0, t1, val;t0 = GET_VALUE(0); t1 = GET_VALUE(1);  //GET_VALUE用于获取该id对应的坐标出的像素值val = t0 < t1;t0 = GET_VALUE(2); t1 = GET_VALUE(3);val |= (t0 < t1) << 1;}

GET_VALUE(idx)的主要作用就是获取坐标点的像素值，这里做的转换就是以特征点的坐标位置为0,0，其他依次为正负{-15,15},组成31*31的patch；

将上面的for循环完成，也就的到了该特征点对应的描述子，1*256的一个Mat，其中第一个点对q1(8,-3) 和点 q2(9,5) 所计算出的二值放在最前面，然后依次，第二个点对儿，第三个....

最后的结果再一层一层的“传出去”，最后保存到每一个Frame对应的类成员变量mDescriptors 中；

这个变量与保存地图点的keyPOint是对应的，这样就可以保证后面进行匹配是能根据mappoint直接找到对应的描述子，用于后面计算距离；

如有疑问,欢迎交流: wx: baobaohaha_ 欢迎对SLAM有兴趣的小伙伴一起交流学习~~

参考：

ＢＲＩＥＦ描述子：https://www.cnblogs.com/ronny/p/4081362.html

ORB算法原理： https://www.cnblogs.com/ronny/p/4083537.html

back_inserter: https://www.jianshu.com/p/6862a79eba0a