ORB 特征描述子

在常规立体匹配中特征点匹配一直是研究重点，特征点的描述是立体匹配的前提，orb特征优点是速度快和较高的精度。

RB 特征亦由关键点和描述子两部分组成。它的关键点称为“Oriented FAST”，是 一种改进的 FAST 角点。

它的描述子称为 BRIEF （Binary Robust Independent Elementary Features）。因此，提取 ORB 特征分为两个步骤：
1、 FAST 角点提取：找出图像中的” 角点”。相较于原版的 FAST, ORB 中计算了特征 点的主方向，为后续的 BRIEF 描述子增加了旋转不变特性。
2、 BRIEF 描述子：对前一步提取出特征点的周围图像区域进行描述。

下面我们分别介绍 FAST 和 BRIEF：
AST 是一种角点，主要检测局部像素灰度变化明显的地方，以速度快著称。它的思想是：

如果一个像素与它邻域的像素差别较大（过亮或过暗）, 那它更可能是角点。相比于 其他角点检测算法，FAST 只需比较像素亮度的大小，十分快捷。

它的检测过程如下：

1、 在图像中选取像素 p，假设它的亮度为 Ip。
2、设置一个阈值 T(比如 Ip 的 20%)。
3、 以像素 p 为中心, 选取半径为 3 的圆上的 16 个像素点。
4、 假如选取的圆上，有连续的 N 个点的亮度大于 Ip + T 或小于 Ip −T，那么像素 p 可以被认为是特征点 (N 通常取 12，即为 FAST-12。其它常用的 N 取值为 9 和 11， 他们分别被称为 FAST-9，FAST-11)。
5、 循环以上四步，对每一个像素执行相同的操作。

BRIEF 描述子 在提取 Oriented FAST 关键点后，我们对每个点计算其描述子。ORB 使用改进的 BRIEF 特征描述。我们先来讲 BRIEF 是什么。

RIEF 是一种二进制描述子，它的描述向量由许多个 0 和 1 组成，这里的 0 和 1 编 码了关键点附近两个像素（比如说 p 和 q）的大小关系：

如果 p 比 q 大，则取 1，反之就 取 0。如果我们取了 128 个这样的 p,q，最后就得到 128 维由 0，1 组成的向量。那么，p 和 q 如何选取呢？

在作者原始的论文中给出了若干种挑选方法，大体上都是按照某种概率 分布，随机地挑选 p 和 q 的位置，读者可以阅读 BRIEF 论文或 OpenCV 源码以查看它 的具体实现 [34]。

BRIEF 使用了随机选点的比较，速度非常快，而且由于使用了二进制表 达，存储起来也十分方便，适用于实时的图像匹配。

原始的 BRIEF 描述子不具有旋转不 变性的，因此在图像发生旋转时容易丢失。

而 ORB 在 FAST 特征点提取阶段计算了关键 点的方向，所以可以利用方向信息，计算了旋转之后的“Steer BRIEF”特征，使 ORB 的 描述子具有较好的旋转不变性。

于考虑到了旋转和缩放，使得 ORB 在平移、旋转、缩放的变换下仍有良好的表现。

备注：
点击下面链接，进入奥比中光开发者社区，了解更多3D视觉技术信息：
https://developer.orbbec.com.cn/

或扫描下方二维码,进入奥比中光开发者社区：