《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: