ORB特征

ORB = FAST + BRIEF（改进的版本） 研究动机：快速性、兼顾准确性

Fast特征点检测，Brief描述。
• FAST（features from accelerated segment test） • 假设：若该点的灰度值比其周围领域内足够多的像素 点的灰度值大或者小，则该点可能为角点。

1.首先是粗提取，就是通过一个圆快速判定出该点是否大于领域内某阈值数目的其他点，如果是就可能是特征点，予以保留。
2.第二步是基于上述特征点采用ID3算法建立决策树筛选出最优特征点。
3.非极大值抑制去除局部较密集特征点。NMS非极大值抑制就是保留梯度方向上的极大值。

尺度不变性和旋转不变性(参考：https://www.cnblogs.com/alexme/p/11345701.html)

4.特征点的尺度不变形。建立金字塔，来实现特征点的多尺度不变性。(图像金字塔是单个图像的多尺度表示法，由一系列原始图像的不同分辨率版本组成。金字塔的每个级别都由上个级别的图像下采样版本组成。下采样是指图像分辨率被降低，比如图像按照 1/2 比例下采样。因此一开始的 4x4 正方形区域现在变成 2x2 正方形。图像的下采样包含更少的像素，并且以 1/2 的比例降低大小。)

-----通过确定每个级别的关键点 ORB 能够有效发现不同尺寸的对象的关键点，这样的话 ORB 实现了部分缩放不变性。

5.特征点的旋转不变性。使用矩（moment）法来确定FAST特征点的方向。

现在 ORB 获得了与这个图像金字塔每个级别相关的关键点。在发现金字塔所有级别中的关键点后，ORB 现在为每个关键点分配一个方向，例如朝左或朝右，取决于该关键点周围的强度是如何变化的。

方法是首先计算以该关键点为中心的方框中的强度形心。强度形心可以看做给定 patch 中的平均像素强度的位置。计算强度形心后，通过画一条从关键点到强度形心的向量，获得该关键点的方向，如上图所示。这个关键点的方向是向下并朝左，因为这个区域的亮度朝着这个方向增强。

为金字塔级别 0 的图像中的每个关键点分配方向后，ORB 现在为所有其他金字塔级别的图像重复相同流程。需要注意的是，在每个图像金字塔级别，Patch 大小并没有缩减，因此相同 Patch 在每个金字塔级别覆盖的图像区域将更大，导致关键点的大小各不相同。

无论对象的方向如何，它都可以为关键点创建相同的向量，使得 ORB 算法具有旋转不变性，意味着它可以在朝着任何角度旋转的图像中检测到相同的关键点。

• BRIEF: Binary Robust Independent Elementary Features • 二进制描述子 • 高速、低存储

1.BRIEF 算法首先利用高斯核对给定图像进行平滑处理，以防描述符对高频噪点过于敏感。

2.描述子构造方法：在已提取出的特征点的邻域patch中， 随机选取若干对像素点，分别比较每对像素点的灰度大 小，赋值为1或0，从而构建描述子。（向量化）

匹配是根据汉明距离，在信息论中，两个等长字符 串之间的汉明距离是两个字符串对应位置的不同字符的个数。

汉明指标通过计算二元描述符之间的不同位数量**判断两个关键点之间的匹配质量。**在比较训练图像和查询图像的关键点时，**差异数最少的关键点对被视为最佳匹配。**匹配函数对比完训练图像和查询图像中的所有关键点后，返回最匹配的关键点对。

具体流程

(参考：https://www.cnblogs.com/alexme/p/11345701.html)
左为训练图像，右为需要查询的图像。
想在这个查询图像中查找相似的特征，第一步是计算训练图像的 ORB 描述符并将其存储到内存中。

ORB 描述符将包含二元特征向量，用于描述这个训练图像中的关键点。第二步是计算并保存查询图像的 ORB 描述符，获得训练和查询图像的描述符后，最后一步是使用相应的描述符对这两个图像进行关键点匹配，通常使用匹配函数来完成这一步。

匹配两个不同图像的关键点，方法是比较这两个图像的描述符，看看它们是否很相近可以匹配。当匹配函数对比两个关键点时，它会根据某种指标得出匹配质量，这种指标表示关键点特征向量的相似性。可以将这个指标看作与两个关键点之间的标准欧几里得距离相似性。

匹配质量。对于 ORB 等使用的二元描述符来说，通常使用汉明指标，因为它执行起来非常快。