OARB: A Fast Feature Extraction Process for Visual SLAM（2019）

1. 特征提取发展

Chris1988年改进并提出了基于Moravec (1980年)角点检测器的Harris角点检测算法，David提出的SIFT(2004年)角点检测算法和Bay提出的SURF（2006年）角点检测算法在许多应用中都取得了成功。Harris、SIFT和SURF的计算代价都很高，在视觉SLAM中很难实现实时速度。随着图像处理技术的发展，Rosten提出了FAST（2005年）算法，大大提高了算法的速度，并应用于PTAM等实时SLAM应用中。Rublee提出的ORB（2011）特征检测算法采用强度质心法，使其具有旋转不变性。Raul Mur Artal在2015年提出的ORB-SLAM使用ORB提取特征，这是目前最先进的视觉SLAM算法。
提出了一种结合AGAST算法和BRIEF算法的特征提取过程OARB，OARB在保证算法性能的同时，加快了角点的提取速度。

2. FAST算法和AGAST算法

2.1 FAST算法

参考文章

但该算法有两个局限性。首先，当N<12时，该算法不能很好地工作。因为四个像素中只有两个需要满足阈值标准，所以发现了太多的角点。其次，查询16个像素的顺序决定了算法的速度。
Rosten提出了一种机器学习方法来解决，选择一组图像进行训练。运行快速算法来确定图像中的每个像素是否是一个角点。如图1所示，每个像素周围的16个像素被重塑为向量。数组P包含所有向量。向量中的每个值“x”可以采用三种状态，比“p”暗，类似于“p”或比“p”亮。根据状态，整个数组P将被细分为三个子集，Pd，Ps，Pb。定义一个变量Kp，如果“p”是一个角点，则为true；如果“p”不是一个角点，则为false。Sp→x is像素x的状态，Ip→xis像素x的强度，t为阈值。

图 1

它可以表述如下：
然后使用ID3算法[16]使用变量Kp查询每个子集以获取关于真类的知识。ID3算法基于熵最小化原理。以这样的方式查询16个像素，以便以最少的查询次数找到真正的类。但是使用ID3算法构造三叉决策树并不能保证找到所有可能的像素配置。而且决策树是针对特定环境进行优化的，因此每次环境发生变化时，都必须对其进行重新训练，以提供最佳性能。

2.2 AGAST算法

Elmar提出的AGAST算法通过学习图像中均匀区域和结构化区域的分布来优化决策树。该方法将角点检测问题转化为二叉决策树遍历问题。为了寻找最优决策树，Elmar实现了向后归纳方法，使得信息熵下降更快。AGAST建了两棵树，一棵是均质的，一棵是结构化的。在每个决策路径的末尾，如果满足或不再满足拐角条件，则基于叶的像素配置执行跳到适当的专用树。在专用决策树之间进行这种类型的切换没有额外的成本，因为在生成专用决策树时，叶节点的计算是离线完成的。因此，AGAST可以动态地适应任何场景，提高了AGAST的性能。

其中左树在齐次像素邻域中获得较少的像素评估，而右树则针对结构化区域进行优化。叶子的灰色越浅，配置中的像素就越相等。

3. OARB: ORIENTED AGAST AND ROTATED BRIEF

相机机前后移动时捕获的同一目标具有不同的尺度，因此尺度不变性对于特征检测非常重要。由于AGAST特征检测算法不具有尺度不变性，我们设置了尺度因子F，建立了一个L层图像尺度金字塔，然后对不同尺度的图像进行角点提取和描述子计算。这使得角点具有尺度不变性。我们将从L幅图像中提取的特征点总数限制为N。第i层图像的特征点数目为Ni，并且根据比例因子F减少每层图像的特征点数目。

然后采用多线程并行处理金字塔图像。将网格大小设置为W，用W*W像素将图像分成G个网格，然后在每个网格中进行特征检测。该方法可以使特征点在图像上的分布更加均匀。直接在整个图像上运行特征检测算法得到的角点通常聚在一起，而过于拥挤的特征点明显不利于姿态估计。

提取过程

然后在每个图像网格中执行AGAST检测算法时，需要设置一个确定角点的阈值。AGAST使用了一个更详细的配置空间，通过添加两个状态来增加空间：“不亮”（/b）和“不暗”（/d）。

Ip→x表示前一个像素的状态，u表示状态仍然未知

阈值t越大，检测到的角点越精确，计算速度越快，但角点个数越少；阈值t越小，检测到的角点越多，但计算速度越慢。
使用灰度质心方法来测量角点的方向，这使得角点具有旋转不变性。Rosin将图像补片B的力矩定义如下：

然后利用矩计算图像块B的质心C，得到从角点中心O到质心C的矢量OC，从而得到角点的方向θ。
表述如下：
首先根据强度质心法计算出的θ角旋转图像，然后计算出简描述子。使用Hamming距离来测量角点之间的差异，最后使用蛮力匹配器或法兰匹配器来匹配特征。

4. 对比ORB

4.1 Mikolajczyk数据集

在模糊、亮度变化、视点变化、缩放和旋转等情况下，两种方法检测到的特征点数量基本相同，匹配成功的数量非常接近，但OARB的方法速度更快。

4.2 TUM数据集

OARB算法具有与ORB-SLAM算法相似的性能，但检测时间表明，我们的方法提高了15%以上。