ORB-SLAM策略思考之ORB特征点提取

ORB-SLAM策略思考之ORB特征点提取

对于ORB特征点的原有策略，主要是使用图像金字塔的方式来解决特征的尺度问题，在ORB-SLAM系统中，就使用了8层缩放因子为1.2的图像金字塔去保证ORB特征的尺度不变性，而旋转不变性是通过特征点角度和BRIEF描述子实现的，其中特征点的角度主要通过灰度质心法进行计算，然后使用计算得到的角度对BRIEF描述子的模版进行角度旋转来解决旋转不变性问题。除此之外，ORB-SLAM系统还提出了一些更加奇特的方法，有特征点均匀化策略和灰度质心计算加速策略。

1. 特征点均匀化策略

1. 对于openCV自带的ORB特征点的提取算法，会有特征点集中的情况方法，即特征点会在某些高图像特征梯度的部分，集中分布。
2. 这种当这种情况方法时，有可能会使后续的位姿估计发生比较大的误差，因为特征都集中到了一块
3. FAST双阈值分块检测策略
   1. 对待检测特征点的图像进行分块，对每一块图像进行FAST角点检测
   2. 通过设置双阈值的方法，来使得FAST角点尽量在每一块图像中都检测到，当降低FAST角点检测阈值后，还不能检测到的话，则舍弃该图像块的区域。
4. 四叉树特征点筛选策略
   1. 对图像不停的进行均匀的四等分，其中特征点较多的部分先四等分，等到分块的区域大于等于要求提取的特征点数目后停止
   2. 这里值得注意的是，得到的图像块数目不一定能等于要求的特征点数目，这里解决策略如下：
      1. 在对每一个图像块进行分裂后，要及时检查是否已经达到特征点数目要求了，这样即使超出了特征点数目的要求，也只是比较少的分裂的图像块
      2. 对每个图像块中提取一个特征点，其的响应值一定是最大的
      3. 对这些特征点进行排序，只需要响应值大的部分，其余的剔除

2. 灰度质心法加速策略

对普通的灰度质心法，其计算思路是这样的：

1. 确定好灰度质心法计算所需要的半径大小
2. 使用$m_{10}=\sum \sum xI(x,y)$计算出按x轴的灰度矩
3. 使用$m_{01}=\sum \sum yI(x,y)$计算出按y轴的灰度矩
4. 使用$\theta =\arctan \frac{m_{10}}{m_{01}}$，可以计算出特征点的主方向
5. 假设计算灰度质心的区域内，像素的数目为n个，这种计算方法中使用到乘法数目有2n次，且有一次的$\arctan$算法

而ORB-SLAM对灰度质心法做了改良，使其速度得到了增加

1. 确定好灰度质心法计算所需要的半径大小
2. 对于红色的中心区域，其对应y轴上的灰度矩为0，只需要计算x轴方向上的矩即可
3. 对于以红色轴对称部分的$(x^{\prime },y^{\prime })$和$(x^{\prime },-y^{\prime })$，其对应的x轴方向的灰度矩为$m_{10}=x^{\prime }(I(x^{\prime },y^{\prime })+I(x^{\prime },-y^{\prime }))$，y轴方向的灰度矩为$m_{01}=y^{\prime }(I(x^{\prime },y^{\prime })-I(x^{\prime },-y^{\prime }))$。
4. 最后，使用openCV中实现的快速计算$\arctan$的算法来实现角度的计算
5. 首先，使用这种方法，乘法的次数少于n次，并且计算$\arctan$时也节省了时间