ORB-SLAM2系列第二章——ORB 特征点提取

---

前言

欢迎浏览我的SLAM专栏，一起加油淦穿SLAM！

---

一、关键点和描述子

1.FAST关键点：

2.FAST 描述子：

论文：BRIEF: Binary Robust Independent Elementary Features
BRIEF算法的核心思想是在关键点P的周围以一定模式选取N个点对，把这N个点对的比较结果组合起来
作为描述子。为了保持踩点固定，工程上采用特殊设计的固定的pattern来做

二、 灰度质心法

原始的FAST关键点没有方向信息，这样当图像发生旋转后，brief描述子也会发生变化，使得特征点对旋
转不鲁棒
解决方法：orientated FAST
使用灰度质心法计算特征点的方向，

1.什么是灰度质心法？

下面重点说一下如何计算灰度质心。

1. 我们定义该区域图像的矩为：
   
   式中， 取0或者1； ， 表示在像素坐标 处图像的灰度值； 表示图像的矩。 在半径为 的圆形图像区域，沿两个坐标轴 方向的图像矩分别为：
   
   圆形区域内所有像素的灰度值总和为：
   
2. 图像的质心为：
   
3. 然后关键点的“主方向”就可以表示为从圆形图像形心 指向质心 的方向向量 ,于是关键 点的旋转角度记为
   

以上是灰度质心法求关键点旋转角度的原理。

2.在一个圆内计算灰度质心

下图P为几何中心，Q为灰度质心


下面求圆内的坐标范围
umax：1/4圆的每一行的u轴坐标边界（下图中橙色线段FG）

vmax = cvFloor(HALF_PATCH_SIZE * sqrt(2.f) / 2 + 1);
vmin = cvCeil(HALF_PATCH_SIZE * sqrt(2.f) / 2);
// 对应从D到B的红色弧线，umax坐标从D到C
for (v = 0; v <= vmax; ++v)
umax[v] = cvRound(sqrt(hp2 - v * v));
// 对应从B到E的蓝色弧线，umax坐标从C到A
for (v = HALF_PATCH_SIZE, v0 = 0; v >= vmin; --v)
{
while (umax[v0] == umax[v0 + 1])
++v0;
umax[v] = v0;
++v0;
}

参考：
https://blog.csdn.net/liu502617169/article/details/89423494
https://www.cnblogs.com/wall-e2/p/8057448.html

---

三、 特征点角度计算

1.steer brief

点v 绕 原点旋转θ 角，得到点v’，假设 v点的坐标是(x, y) ，那么可以推导得到 v’点的坐标（x’, y’)

参考：
https://www.cnblogs.com/zhoug2020/p/7842808.html

2.IC_Angle 计算技巧

在一个圆域中算出m10（x坐标）和m01（y坐标），计算步骤是先算出中间红线的m10，然后在平行于
x轴算出m10和m01，一次计算相当于图像中的同个颜色的两个line。

为什么要重载小括号运算符 operator() ？
可以用于仿函数（一个可以实现函数功能的对象）
仿函数（functor）又称为函数对象（function object）是一个能行使函数功能的类。仿函数的语法几乎
和我们普通的函数调用一样，不过作为仿函数的类，都必须重载operator()运算符
1.仿函数可有拥有自己的数据成员和成员变量，这意味着这意味着仿函数拥有状态。这在一般函数中是
不可能的。
2.仿函数通常比一般函数有更好的速度。

扩展阅读：
https://blog.csdn.net/jinzhu1911/article/details/101317367

四、金字塔的计算

图像金字塔对应函数为：ORBextractor::ComputePyramid

五、特征点数量的分配计算

图像金字塔层数越高，对应层数的图像分辨率越低，面积（高 宽）越小，所能提取到的特征点数量就
越少。所以分配策略就是根据图像的面积来定，将总特征点数目根据面积比例均摊到每层图像上。
我们假设需要提取的特征点数目为 ，金字塔总共有 层，第 0 层图像的宽为 ，高为 ，对应的面
积 ，图像金字塔缩放因子为 ，，在 ORB-SLAM2 中 。
那么整个金字塔总的图像面积是：

假设我们需要一千个特征点，我们需要把这一千个特征点分别分配到每一层上。

单位面积应该分配的特征点数量为：

在ORB-SLAM2 的代码里，不是按照面积均摊的，而是按照面积的开方来均摊特征点的，也就是将上述
公式中的 换成 即可。
参考：https://zhuanlan.zhihu.com/p/61738607

六、使用四叉树均匀分布特征点

ORB特征提取策略对ORB-SLAM2性能的影响：ORB-SLAM2中的ORB特征提取方法相对于OpenCV中的
方法，提高了ORB-SLAM2的轨迹精度和鲁棒性。增加特征提取的均匀性可以提高系统精度，但是似乎会
降低特征提取的重复性。

对应函数 DistributeOctTree：

• 如果图片的宽度比较宽，就先把分成左右w/h份。一般的640×480的图像开始的时候只有一个 node。
• 如果node里面的点数>1，把每个node分成四个node，如果node里面的特征点为空，就不要了， 删掉。
• 新分的node的点数>1，就再分裂成4个node。如此，一直分裂。
• 终止条件为：node的总数量> [公式] ，或者无法再进行分裂。
• 然后从每个node里面选择一个质量最好的FAST点

参见：https://zhuanlan.zhihu.com/p/57235987

ExtractorNode::DivideNode

节点分裂顺序：后加的先分裂

七、高斯处理

1.高斯模糊

高斯公式：

2.高斯模糊常用的高斯模板

中间权重最大：

八、特征点去畸变

去畸变效果：

九、近点和远点

在双目或RGB-D模式下，特征点对应的深度值小于40倍的双目/RGB-D基线称之为近点，否则称之为远点。
近点特征点对三角化得到的三维点坐标比较准确，可以提供旋转、平移、尺度信息。
远点特征点仅能够提供相对准确的旋转信息，无法提供比较准确的尺度和平移信息。只有当多个视角下多次观测到的远点我们才会考虑三角
化。