opencv提取白色像素点的坐标位置_详解ORBSLAM2中的特征均匀提取策略

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

1. 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。

2. 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。

3. 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。

4. 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。

5. 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

1. 构造金字塔

2. 提取FAST角点

3. 利用灰度质心法，计算旋转角度 θ

4. 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