特征点匹配——ORB算法介绍

《ORB: an efficient alternative to SIFT or SURF》是Rublee等人在2011年的ICCV上发表的一篇有关于特征点提取和匹配的论文，这篇论文介绍的方法跳出了SIFT和SURF算法的专利框架，同时以极快的运行速度赢得了众多青睐。下面我简单介绍一下ORB算法的流程。

ORB算法的主要贡献如下：
（1）为FAST算法提取的特征点加上了一个特征点方向；
（2）使用带方向的BRIEF算法高效的对特征点描述符进行计算；
（3）分析了BRIEF算法得到的特征点描述符的方差和关联性；
（4）介绍了一种基于学习的去特征点关联性的BRIEF算法，优化了特征点求得的最近邻点。

下面我按照论文的结构对ORB算法进行介绍。

1、oFAST: FAST Keypoint Orientation

1.1 FAST Detector

ORB算法使用的是FAST算法提取的特征点（FAST算法介绍见我的博文特征点匹配——FAST算法介绍），在作者的实验中使用的FAST-9的算法，得到了很好的结果。
由于边缘位置对FAST算法得到的特征点有很大的影响，因此作者使用了Harris 角点检测方法对于得到的特征点进行排序，取前N个较好的角点作为特征点。

FAST算法是一种非常快的提取特征点的方法，但是对于这里来说，有两点不足：
（1）提取到的特征点没有方向；
（2）提取到的特征点不满足尺度变化。
针对特征点不满足尺度变化，作者像SIFT算法中那样，建立尺度图像金字塔，通过在不同尺度下的图像中提取特征点以达到满足尺度变化的效果。
针对提取到的特征点没有方向的问题，作者采用了Rosin提出的一种称为“intensity centroid”的方法确定了特征点的方向。
那么，就来看一下确定特征点方向的方法。

1.2 Orientation by Intensity Centroid

这种方法的主要思想就是，首先把特征点的邻域范围看成一个patch，然后求取这个patch的质心，最后把该质心与特征点进行连线，求出该直线与横坐标轴的夹角，即为该特征点的方向。
那么，怎么求取这个邻域的质心呢？
论文中提到Rosin定义了如下公式：

$$m_{pq} = \sum_{x,y} x^py^qI(x,y)$$ 然后质心定义为： $$C = (\frac{m_{10}}{m_{00}},\frac{m_{01}}{m_{00}})$$ 然后求取向量 $OC$的方向，同时如果把 $x,y$的范围保持在 $[-r,r]$之间（ $r$为该特征点邻域的半径），以特征点为坐标原点，则得到的方向角为

θ