ORB: an efficient alternative to SIFT or SUR简介
Abstrauact
特征信息匹配问题在计算机视觉中的应用十分广泛,其中针对特征点信息的匹配已经有很多的方案,但在运行时间都相对较长,文中提出的方案是结合了 F A S T FAST FAST关键点提取技术和 B R I E F BRIEF BRIEF的描述子方案,具有旋转不变特性和对噪声具有很强的抗干扰能力。
Introduction
方案主要的特性是有效的提升了运行速度,节省了大量的运行时间,保证了方案的实时性。
ORB算法的主要贡献如下:
(1)为FAST算法提取的特征点加上了一个特征点方向;
(2)使用带方向的BRIEF算法高效的对特征点描述符进行计算;
(3)分析了BRIEF算法得到的特征点描述符的方差和相关性(希望特征点信息之间有足够的区分度);
(4)介绍了一种基于学习的去特征点关联性的BRIEF算法,优化了特征点求得的最近邻点。
Related Work
KeyPoints
关键点的选取通过
F
A
S
T
FAST
FAST算法进行,通过
H
a
r
r
i
s
Harris
Harris踢除边界处等不稳定的关键点,但
F
A
S
T
FAST
FAST关键点不具有方向性,文中通过质心对提取的所有关键点添加方位信息。
Descriptors
文中的提取得特征信息对应的描述信息是通过
B
R
I
E
F
BRIEF
BRIEF获取的,可以通过
P
C
A
PCA
PCA等方案对描述信息进行降维。
oFAST:FAST Keypoint Orientation
F
A
S
T
FAST
FAST关键点提取算法是一种时间成本很低但是没有方向不变性的关键点提取算法。
FAST Detector
通过
F
A
S
T
FAST
FAST关键点提取方案提取足够多的关键点,然后通过
H
a
r
r
i
s
Harris
Harris算法将质量低点的点踢除,通过该方案获取的关键点不具有尺度不变信息,需要结合图像金字塔运行。
Orientation by Intensity Centroid
该部分描述了对特征点配置相位信息,通过质心对每个特征点配置相位角度信息:
m
p
q
=
∑
x
,
y
x
p
y
q
I
(
x
,
y
)
C
=
(
m
10
m
00
,
m
01
m
00
)
θ
=
a
t
a
n
2
(
m
01
,
m
10
)
m_{pq}=\sum_{x,y}x^py^qI(x,y)\\C=(\frac{m_{10}}{m_{00}},\frac{m_{01}}{m_{00}})\\\theta=atan2(m_{01},m_{10})
mpq=x,y∑xpyqI(x,y)C=(m00m10,m00m01)θ=atan2(m01,m10)同时将该质心法求解的相位角度信息和俩种通过梯度信息求解获得相位信息进行了实验对比,质心相位具有很强的旋转不变性。
rBRIEF:Rotation-Aware Brief
该部分主要介绍描述子信息,首先介绍Steered BRIEF,并对其进行分析,之后介绍一种基于学习方式的方法提高描述子的区分度。
Efficient Rotation of the BRIEF Operator
Brief overview of BRIEF
BRIEF描述子通过对特征点附近的像素网格信息进行像素亮度对比构建二进制描述信息向量。
Steered BRIEF
为了对提取的特征信息进行有效的匹配,需要保证描述子信息之间尽可能的保持旋转不变性,为了避免由于旋转对匹配结果造成影响,将描述子信息与关键点相位角度相结合。
Variance and Correlation
这一部分对多种
B
R
I
E
F
BRIEF
BRIEF特征信息的性能进行了描述,主要是针对各种
B
R
I
E
F
BRIEF
BRIEF特征的区分度进行了判断,其中
S
t
e
e
r
e
d
B
R
I
E
F
Steered BRIEF
SteeredBRIEF类型描述子由于方差较少不具备很高的区分度,因此不是最优的选择。
Learning Good Binary Features
为了避免由于太大的相关性带来的误匹配,这一部分构建了
r
B
R
I
E
F
rBRIEF
rBRIEF描述子,对所有的特征点信息用过获取周围一定范围内的像素信息并构建子区域进行随机匹配获取最合适的匹配信息、
Evaluation
对ORB匹配的精度和准确度进行了实验验证。
Scalable Matching of Binary Features
该部分对ORB描述子在大量实验数据中的对应的特征信息的匹配能力进行了实验验证。
Locality Sensitive Hashing for rBRIEF
利用LSD功能对待匹配的特征点进行正确的匹配操作,匹配点之间的距离是汉明距离。
Correlation and Leveling
通过哈希表对特征信息进行匹配,在特征信息的区分度方面也十分突出。
Evaluation
通过实验验证,利用哈希表对特征信息的匹配速度有明显的提升。
Applications
对效果的验证。
Benchmarks
Textured object detection
Embedded real-time feature tracking
Conclusion
本文提出的ORB特征信息高效、简介、速度快,同时避免了相关性给效果带来的严重影响,但是该方案不具备尺度不变性。