ORB_关于对噪声、尺度、旋转的改进

http://blog.csdn.net/hujingshuang/article/details/46984411

简介

        ORB的全称是ORiented Brief，是文章ORB: an efficient alternative to SIFT or SURF中提出的一种新的角点检测与特征描述算法。实际上，ORB算法是将FAST角点检测与BRIEF特征描述结合并进行了改进。

ORB算法

        在上一篇文章《BRIEF特征点描述算法》中，指出了BRIEF的优缺点，ORB算法就是针对BRIEF算法的缺点1、2提出来的。ORB算法分为两个部分：FAST特征点检测、BRIEF特征描述。

FAST特征检测

        在文章《FAST特征点检测算法》中，详细阐述了FAST算法。但该算法仅仅确定了特征点的位置，没有得到其他任何信息。在ORB算法中，依然采用FAST来检测特征点的位置，但算法进行了如下改动：（以FAST-9为例）

1、假设在图像中要提取N个特征点，则降低FAST的阈值，使FAST算法检测到的特征点大于N；

2、在特征点位置处，计算特征点的Harris响应值R，取前N个响应值大的点作为FAST特征点（Harris角点响应计算：Harris角点检测中的数学推导）；

3、由于要解决BRIEF算法的旋转不变性，则需要计算特征点的主方向。

ORB中利用重心来计算，如下（其中(x,y)是特征邻域内的点）：

atan2表示反正切，得到的θ值就是FAST特征点的主方向。

BRIEF特征描述

         在文章《BRIEF特征点描述算法》种，阐述了BRIEF算法。该算法速度优势相当明显，但存在三个致命的缺点。针对尺度不变性，可以像SIFT算法一样，子尺度空间构造图像金字塔解决，此处不再说明。ORB算法主要解决前两天缺点：噪声敏感、旋转不变性。

1、解决噪声敏感问题

        BRIEF中，采用了9x9的高斯算子进行滤波，可以一定程度上解决噪声敏感问题，但一个滤波显然是不够的。ORB中提出，利用积分图像来解决：在31x31的窗口中，产生一对随机点后，以随机点为中心，取5x5的子窗口，比较两个子窗口内的像素和的大小进行二进制编码，而非仅仅由两个随机点决定二进制编码。（这一步可有积分图像完成）

2、解决旋转不变性

        利用FAST中求出的特征点的主方向θ，对特征点邻域进行旋转，Calonder建议先将每个块旋转后，再进行BRIEF描述子的提取，但这种方法代价较大。ORB算法采用的是：每一个特征点处，对产生的256对随机点（以256为例），将其进行旋转，后进行判别，再二进制编码。如下：S表示随机点位置（2xn的矩阵），Sθ表示旋转后的随机点的位置（2xn的矩阵），x1=(u1,v1)是一个坐标向量，其余雷同。n=256。

得到新的随机点位置后，利用积分图像进行二进制编码，即可。

实验

opencv代码

[cpp]  view plain  copy

1. #include <iostream>  
2. #include <opencv2/core/core.hpp>  
3. #include <opencv2/highgui/highgui.hpp>  
4. #include <opencv2/legacy/legacy.hpp>  
5. #include <iostream>  
6. #include <vector>  
7.   
8. using namespace cv;  
9. using namespace std;  
10. int main()  
11. {  
12.     Mat img_1 = imread("beaver1.png");  
13.     Mat img_2 = imread("beaver2.png");  
14.     if (!img_1.data || !img_2.data)  
15.     {  
16.         cout << "error reading images " << endl;  
17.         return -1;  
18.     }  
19.   
20.     ORB orb;  
21.     vector<KeyPoint> keyPoints_1, keyPoints_2;  
22.     Mat descriptors_1, descriptors_2;  
23.   
24.     orb(img_1, Mat(), keyPoints_1, descriptors_1);  
25.     orb(img_2, Mat(), keyPoints_2, descriptors_2);  
26.       
27.     BruteForceMatcher<HammingLUT> matcher;  
28.     vector<DMatch> matches;  
29.     matcher.match(descriptors_1, descriptors_2, matches);  
30.   
31.     double max_dist = 0; double min_dist = 100;  
32.     //-- Quick calculation of max and min distances between keypoints  
33.     for( int i = 0; i < descriptors_1.rows; i++ )  
34.     {   
35.         double dist = matches[i].distance;  
36.         if( dist < min_dist ) min_dist = dist;  
37.         if( dist > max_dist ) max_dist = dist;  
38.     }  
39.     printf("-- Max dist : %f \n", max_dist );  
40.     printf("-- Min dist : %f \n", min_dist );  
41.     //-- Draw only "good" matches (i.e. whose distance is less than 0.6*max_dist )  
42.     //-- PS.- radiusMatch can also be used here.  
43.     std::vector< DMatch > good_matches;  
44.     for( int i = 0; i < descriptors_1.rows; i++ )  
45.     {   
46.         if( matches[i].distance < 0.6*max_dist )  
47.         {   
48.             good_matches.push_back( matches[i]);   
49.         }  
50.     }  
51.   
52.     Mat img_matches;  
53.     drawMatches(img_1, keyPoints_1, img_2, keyPoints_2,  
54.         good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),  
55.         vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);  
56.     imshow( "Match", img_matches);  
57.     cvWaitKey();  
58.     return 0;  
59. }  

实验结果

ORB源码

在：..\opencv\sources\modules\features2d\src\orb.c中，请自行查看分析，这里列出部分源码：

[cpp]  view plain  copy

1. static void//计算Harris角点响应  
2. HarrisResponses(const Mat& img, vector<KeyPoint>& pts, int blockSize, float harris_k)  
3. {  
4.     CV_Assert( img.type() == CV_8UC1 && blockSize*blockSize <= 2048 );  
5.   
6.     size_t ptidx, ptsize = pts.size();  
7.   
8.     const uchar* ptr00 = img.ptr<uchar>();  
9.     int step = (int)(img.step/img.elemSize1());  
10.     int r = blockSize/2;  
11.   
12.     float scale = (1 << 2) * blockSize * 255.0f;  
13.     scale = 1.0f / scale;  
14.     float scale_sq_sq = scale * scale * scale * scale;  
15.   
16.     AutoBuffer<int> ofsbuf(blockSize*blockSize);  
17.     int* ofs = ofsbuf;  
18.     for( int i = 0; i < blockSize; i++ )  
19.         for( int j = 0; j < blockSize; j++ )  
20.             ofs[i*blockSize + j] = (int)(i*step + j);  
21.   
22.     for( ptidx = 0; ptidx < ptsize; ptidx++ )  
23.     {  
24.         int x0 = cvRound(pts[ptidx].pt.x - r);  
25.         int y0 = cvRound(pts[ptidx].pt.y - r);  
26.   
27.         const uchar* ptr0 = ptr00 + y0*step + x0;  
28.         int a = 0, b = 0, c = 0;  
29.   
30.         for( int k = 0; k < blockSize*blockSize; k++ )  
31.         {  
32.             const uchar* ptr = ptr0 + ofs[k];  
33.             int Ix = (ptr[1] - ptr[-1])*2 + (ptr[-step+1] - ptr[-step-1]) + (ptr[step+1] - ptr[step-1]);  
34.             int Iy = (ptr[step] - ptr[-step])*2 + (ptr[step-1] - ptr[-step-1]) + (ptr[step+1] - ptr[-step+1]);  
35.             a += Ix*Ix;  
36.             b += Iy*Iy;  
37.             c += Ix*Iy;  
38.         }  
39.         pts[ptidx].response = ((float)a * b - (float)c * c -  
40.                                harris_k * ((float)a + b) * ((float)a + b))*scale_sq_sq;  
41.     }  
42. }  

[cpp]  view plain  copy

1. //计算FAST角点的主方向  
2. static float IC_Angle(const Mat& image, const int half_k, Point2f pt,  
3.                       const vector<int> & u_max)  
4. {  
5.     int m_01 = 0, m_10 = 0;  
6.   
7.     const uchar* center = &image.at<uchar> (cvRound(pt.y), cvRound(pt.x));  
8.   
9.     // Treat the center line differently, v=0  
10.     for (int u = -half_k; u <= half_k; ++u)  
11.         m_10 += u * center[u];  
12.   
13.     // Go line by line in the circular patch  
14.     int step = (int)image.step1();  
15.     for (int v = 1; v <= half_k; ++v)  
16.     {  
17.         // Proceed over the two lines  
18.         int v_sum = 0;  
19.         int d = u_max[v];  
20.         for (int u = -d; u <= d; ++u)  
21.         {  
22.             int val_plus = center[u + v*step], val_minus = center[u - v*step];  
23.             v_sum += (val_plus - val_minus);  
24.             m_10 += u * (val_plus + val_minus);  
25.         }  
26.         m_01 += v * v_sum;  
27.     }  
28.   
29.     return fastAtan2((float)m_01, (float)m_10);  
30. }  

[cpp]  view plain  copy

1. #define GET_VALUE(idx) \  
2.        (x = pattern[idx].x*a - pattern[idx].y*b, \ //计算旋转后的位置  
3.         y = pattern[idx].x*b + pattern[idx].y*a, \  
4.         ix = cvRound(x), \  
5.         iy = cvRound(y), \  
6.         *(center + iy*step + ix) )  

[cpp]  view plain  copy

1. //判决，并二进制编码  
2. for (int i = 0; i < dsize; ++i, pattern += 16)  
3. {  
4.     int t0, t1, val;  
5.     t0 = GET_VALUE(0); t1 = GET_VALUE(1);  
6.     val = t0 < t1;  
7.     t0 = GET_VALUE(2); t1 = GET_VALUE(3);  
8.     val |= (t0 < t1) << 1;  
9.     t0 = GET_VALUE(4); t1 = GET_VALUE(5);  
10.     val |= (t0 < t1) << 2;  
11.     t0 = GET_VALUE(6); t1 = GET_VALUE(7);  
12.     val |= (t0 < t1) << 3;  
13.     t0 = GET_VALUE(8); t1 = GET_VALUE(9);  
14.     val |= (t0 < t1) << 4;  
15.     t0 = GET_VALUE(10); t1 = GET_VALUE(11);  
16.     val |= (t0 < t1) << 5;  
17.     t0 = GET_VALUE(12); t1 = GET_VALUE(13);  
18.     val |= (t0 < t1) << 6;  
19.     t0 = GET_VALUE(14); t1 = GET_VALUE(15);  
20.     val |= (t0 < t1) << 7;  
21.   
22.     desc[i] = (uchar)val;  
23. }  

[cpp]  view plain  copy

1. //产生512个随机点的坐标位置  
2. static void makeRandomPattern(int patchSize, Point* pattern, int npoints)  
3. {  
4.     RNG rng(0x34985739); // we always start with a fixed seed,  
5.                          // to make patterns the same on each run  
6.     for( int i = 0; i < npoints; i++ )  
7.     {  
8.         pattern[i].x = rng.uniform(-patchSize/2, patchSize/2+1);  
9.         pattern[i].y = rng.uniform(-patchSize/2, patchSize/2+1);  
10.     }  
11. }  

总结

ORB算法利用了FAST检测特征点的快，BRIEF特征描述子的简单和快，二者结合并进行了改进，导致ORB算法的又好又快。

参考文献

1、ORB: an efficient alternative to SIFT or SURF[J],IEEE International Conference on Computer Vision,2011.

2、基于ORB和改进RANSAC算法的图像拼接技术[J],2015.

3、基于ORB特征的目标检测与跟踪的研究[硕士论文],2013.

4、基于背景差分与ORB算法的运动目标检测与跟踪算法研究[硕士论文],2014.