ORB(Oriented FAST and Rotated BRIEF)

  之前总是在ORB-SLAM的各个版本中听到ORB，但还不知道什么是ORB。借今天这个机会了解下ORB。
  ORB(Oriented FAST and Rotated BRIEF)。首先要意识到ORB不是特征的名字，是一种完成图像间特征匹配的方法。匹配的步骤就体现在命名中。下面介绍两个问题：

  1.ORB的优势在哪？

  可以解决常见图像间特征匹配的两个问题：(1).缩放尺度问题 (2).旋转问题。下面详细介绍ORB的两个流程，可从中体会如何解决这两个常见问题

  2.介绍ORB的两个流程

  ORB有两个特征：关键点(Oriented FAST)、描述子(BRIEF, Binary Robust Independent Elementary Feature)。关键点不用说了，叫描述子的原因是它描述了关键点周围的图像信息，并用描述向量表示。
  ORB包含两部分的改进，一部分是FAST，改进为Oriented FAST。一部分是BRIEF，改进为Rotated BRIEF。

  ORB具体包含两个步骤：特征提取→特征匹配
  1）特征提取
  特征提取具体包含两个步骤：FAST关键点提取→BRIEF描述子计算
    (1)FAST角点(关键点)提取
    FAST角点的确定步骤如下：

  其实ORB效果好的原因就在于特征提取的有效性：将图片均分成格子，在格子范围内提取FAST关键点。不停分割(四叉树结构)，直到接近预设值。尽量保证每一个格子有一个FAST点(允许格子里没有FAST点，也允许格子里有多个FAST点，多个情况会保留响应最大FAST关键点，以避免角点集中)，最终实现特征关键点分布均匀。特征点分布均匀，保证了特征提取的有效性。
  Oriented FAST较FAST改进在于增加旋转不变性、尺度不变性，改进后更能增加在不同图像下表示的鲁棒性。旋转不变性的体现是除了FAST中特征点位置还增加方向。尺度不变性的解决基于图像金字塔。
  对图像金字塔的理解：对一张图片，以不同的缩放因子存储。根据待匹配图片的大小，选择合适的层级图像进行匹配
  以上两种改进策略就解决了特征提取的两个问题：(1).缩放尺度问题 (2).旋转问题
  (2)BRIEF描述子计算
  描述子计算主要是为了保留关键点周围信息，用于过后的关键点间的匹配。rBRIEF较BRIFT保持了旋转不变性，正好利用了刚才角点计算时对方向的计算。

  2）特征匹配：

  特征匹配就是寻找到两帧之间对应的匹配点(图像处理中以帧为基本单位，数据处理在相邻两帧中进行)。特征匹配的概念很好理解，主要是特征匹配的匹配算法。在此介绍三种，但不止三种
  (1)暴力匹配
  主要思想：对两帧图像每一对关键点进行描述子距离计算，排序，取最近的作为匹配点。
  描述子距离表示相似程度，越小越相似。具体的计算过程不再此陈述(其实我也不会~)
  (2)SearchForInitialization
  主要思想：划定待匹配点周围一定区域，根据区域内其余所有点的方向建立直方图。寻找出特征点数量最多的前三个方向，根据判定式确定第一主方向和第二主方向(可能不存在)
  (3)SearchByProjection
  主要思想：根据匀速模型估计位姿，将前一帧点对应地图投影到当前帧，计算搜索点(当前帧上)到前一帧点的汉明距离(用于二进制距离度量)，若汉明距离小于阈值，则认为是其匹配点。经姿势优化后，满足条件匹配点大于10认为两帧跟踪成功
  注：二进制对应位不同，汉明距离才会加1。所以相似程度越高，汉明距离越小。

  本篇简单对ORB有个印象，ORB本身不是我关注的重点。ORB如何在ORB-SLAM的各个版本中起到作用才重要(以目前来看也看不太出来，ORB-SLAM在描述过程中好像直接省略了特征匹配方法的具体描述，只是陈述了选择ORB作为特征匹配方法)

参考资料：
1.ORB特征匹配
2.ORB特征点匹配
3.【详解】ORB特征提取与匹配_哔哩哔哩

因作者水平有限，如果错误之处，请在下方评论区指正，谢谢！