点击上方“计算机视觉life”,选择“星标”
快速获得最新干货
之前发表过《ORB特征均匀提取策略对性能的提升有多大?》,本文是对该策略的详细解释。作者是杨小东,已经授权转载,未经授权禁止二次转载
原文: https://zhuanlan.zhihu.com/p/61738607
ORB-SLAM的一大创新点在于系统的所有模块都使用了同一种特征:ORB,这样构造的系统更加简单、稳健。
本文首先介绍了原版的ORB特征,之后又介绍了ORB-SLAM对ORB特征的改进。
相较与SIFT、SURF,ORB在CPU下就可以获得实时性能,并且具有尺度(一定的)、旋转不变性,而且提高了BRIEF描述子的抗噪能力。
ORB的速度是SIFT的100倍,SURF的10倍。 ORB: Oriented FAST and Rotated BRIEF
一定的尺度不变性:
利用图像金子塔实现,由于金字塔层数有限,因此只能在一定范围保证尺度的不变性。
旋转不变性:
首先利用灰度质心法计算出特征的方向,然后计算旋转后的BRIEF描述子。
抗噪能力:
计算BRIEF的时候不是使用一个点的灰度,而是使用了点周围5×5区域的灰度。
应该也有一定的光照不变性:
因为FAST提取的时候是比较灰度,rBRIEF的计算也是比较灰度。
速度快:
使用了FAST角点,BRIEF描述子,二者均很快。
速度是SIFT的100倍,SURF的10倍。
0. 提取流程概览
构造金字塔
提取FAST角点
利用灰度质心法,计算旋转角度 θ
计算旋转后的BRIEF描述子
下面展开介绍这四步。
1. 构造金字塔
金字塔大家应该都比较熟悉,不再啰嗦了,自己脑补喽。
2. 提取FAST角点
2.1 如何分配每一层提取的特征点数量。
金字塔层数越高,图像的面积越小,所能提取到的特征数量就越小。基于这个原理,我们可以按照面积将特征点均摊到金字塔每层的图像上。我们假设第0层图像的宽为 W,长为 L,缩放因子为 s(这里的 0 < s < 1)。那么整个金字塔总的面积为
那么,单位面积的特征点数量为
那么,第0层应分配的特征点数量为