视觉SLAM--ORB特征简介

视觉SLAM–ORB特征简介

特征点由关键点（Key-point）和描述子（Descriptor）两部分组成。其中，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。
考虑到检测性能与特征质量的一种平衡，一般不使用质量很好但是性能消耗很高SIFT(尺度不变特征变换， ScaleInvariant Feature Transform)特征，而更多地是采用ORB（Oriented FAST and Rotated BRIEF）特征。接下来，我们重点介绍ORB特征。
ORB特征也是由FAST关键点（Oriented FAST，一种改进的 FAST 角点）和BRIEF描述子（Binary Robust Independent Elementary Features）组成，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。

Oriented FAST角点

原始的FAST关键点提取主要是检测局部灰度变化明显的点，方法如下：

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。

原始的FAST角点有两个问题，一是数量大且存在不确定性，二是不具有方向信息且存在尺度问题（远处看着像是角点的地方，接近后看可能就不是角点了）。ORB特征对此进行了改进：

1. 指定最终要提取的角点数量N，首先利用原始FAST角点检测方法提取FAST特征点，然后对这些原始 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，从而降低了角点数量。
2. 利用灰度质心法（Intensity Centroid）计算角点的方向，质心是指以图像块灰度值作为权重的中心，图像块的几何中心与质心的夹角即为角点的方向。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。

在ORB特征中，改进的FAST角点被称为Oriented FAST角点。

Steer BRIEF 描述子

BRIEF（Binary Robust Independent Elementary Features）描述符的计算主要思路就是在检测后的特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。
原始的BRIEF描述子不具备旋转不变性，由于ORB特征改进了FAST角点并具有了方向，基于此可以对BRIEF描述子进行改进：把关键点周围的要用来计算的坐标列成2*N的矩阵；计算通过旋转矩阵之后这些点的坐标；计算旋转之后的坐标中取出点来计算BRIEF描述子。

特征匹配

特征匹配的作用是为了解决数据关联问题，是后续计算两帧位姿变换的前提。对ORB特征点的匹配，即计算两个特征点的二进制描述子的汉明距离。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。

void find_feature_matches(const Mat &img_1, const Mat &img_2,
                          std::vector<KeyPoint> &keypoints_1,
                          std::vector<KeyPoint> &keypoints_2,
                          std::vector<DMatch> &matches) {
  //-- 初始化
  Mat descriptors_1, descriptors_2;
  // used in OpenCV3
  Ptr<FeatureDetector> detector = ORB::create();
  Ptr<DescriptorExtractor> descriptor = ORB::create();
  // use this if you are in OpenCV2
  // Ptr<FeatureDetector> detector = FeatureDetector::create ( "ORB" );
  // Ptr<DescriptorExtractor> descriptor = DescriptorExtractor::create ( "ORB" );
  Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");
  //-- 第一步:检测 Oriented FAST 角点位置
  detector->detect(img_1, keypoints_1);
  detector->detect(img_2, keypoints_2);

  //-- 第二步:根据角点位置计算 BRIEF 描述子
  descriptor->compute(img_1, keypoints_1, descriptors_1);
  descriptor->compute(img_2, keypoints_2, descriptors_2);

  //-- 第三步:对两幅图像中的BRIEF描述子进行匹配，使用 Hamming 距离
  vector<DMatch> match;
  //BFMatcher matcher ( NORM_HAMMING );
  matcher->match(descriptors_1, descriptors_2, match);

  //-- 第四步:匹配点对筛选
  double min_dist = 10000, max_dist = 0;

  //找出所有匹配之间的最小距离和最大距离, 即是最相似的和最不相似的两组点之间的距离
  for (int i = 0; i < descriptors_1.rows; i++) {
    double dist = match[i].distance;
    if (dist < min_dist) min_dist = dist;
    if (dist > max_dist) max_dist = dist;
  }

  printf("-- Max dist : %f \n", max_dist);
  printf("-- Min dist : %f \n", min_dist);

  //当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限.
  for (int i = 0; i < descriptors_1.rows; i++) {
    if (match[i].distance <= max(2 * min_dist, 30.0)) {
      matches.push_back(match[i]);
    }
  }
}