特征
特征为图像中具有代表性的区域， 可以为角点，边缘和区块等。
特征是图像信息的另一种数字表达形式。
特征具有以下性质：
- 可重复性（ Repeatability）：相同的“区域”可以在不同的图像中被找到。
- 可区别性（ Distinctiveness）：不同的“区域”有不同的表达。
- 高效率（ Efficiency）：同一图像中，特征点的数量应远小于像素的数量。
- 本地性（ Locality）：特征仅与一小片图像区域相关。
特征点由关键点（ Key-point）和描述子（ Descriptor）两部分组成。
关键点是指该特征点在图像里的位置，有些特征点还具有朝向、大小等信息。
描述子通常是一个向量，按照某种人为设计的方式，描述了该关键点周围像素的信息。
描述子是按照“外观相似的特征应该有相似的描述子”的原则设计的。因此，只要两个特征点的描述子在向量空间上的距离相近，就可以认为它们是同样的特征点。
- SIFT(尺度不变特征变换， ScaleInvariant Feature Transform)
该特征点考虑了在图像变换过程中出现的光照，尺度，旋转等变化，但随之而来的是极大的计算量。
- ORB（ Oriented FAST and Rotated BRIEF）特征
该特征点改进了 FAST 检测子 [33] 不具有方向性的问题，并采用速度极快的二进制描述子BRIEF[34]，使整个图像特征提取的环节大大加速。
在目前的 SLAM 方案中， ORB 是质量与性能之间较好的折中。
ORB特征
提取 ORB 特征分为两个步骤：提取Fast关键点，和计算BRIEF描述子。
FAST关键点
FAST 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。
在 FAST-12 算法中，为了更高效，可以添加一项预测试操作，以快速地排除绝大多数不是角点的像素。具体操作为，对于每个像素，直接检测邻域圆上的第 1， 5， 9， 13 个像素的亮度。只有当这四个像素中有三个同时大于 Ip + T 或小于 Ip − T 时，当前像素才有可能是一个角点，否则应该直接排除。这样的预测试操作大大加速了角点检测。
此外，原始的 FAST 角点经常出现“扎堆”的现象。所以在第一遍检测之后，还需要用非极大值抑制（ Non-maximal suppression），在一定区域内仅保留响应极大值的角点，避免角点集中的问题。
FAST 特征点数量很大且不确定，而我们往往希望对图像提取固定数量的特征。我们可以指定最终要提取的角点数量N，对原始 FAST 角点分别计算 Harris 响应值，然后选取前 N 个具有最大响应值的角点，作为最终的角点集合。
针对 FAST 角点不具有方向性和尺度的弱点， ORB 添加了尺度和旋转的描述。尺度不变性由构建图像金字塔‹，并在金字塔的每一层上检测角点来实现。而特征的旋转是由灰度质心法（ Intensity Centroid）实现的。
BRIEF 描述子
BRIEF 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。
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。
特征匹配
描述子距离表示了两个特征之间的相似程度，不过在实际运用中还可以取不同的距离度量范数。对于浮点类型的描述子，使用欧氏距离进行度量即可。而对于二进制的描述子（比如 BRIEF 这样的），我们往往使用汉明距离（ Hamming distance）做为度量——两个二进制串之间的汉明距离，指的是它们不同位数的个数。
最简单的特征匹配方法就是暴力匹配（ Brute-Force Matcher） 。即对每一个特征点 xm t ，与所有的 xnt+1测量描述子的距离，然后排序，取最近的一个作为匹配点。
快速近似最近邻（ FLANN） 算法更加适合于匹配点数量极多的情况。
1359
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
