ORB特征

介绍

ORB(Oriented FAST and Rotated BRIEF)特征是一种常用的图像特征，其最大的优点是提取速度快，按业界的说法，ORB特征提取速度臂SURF快10倍，比SIFT快100倍。ORB特征由关键点和描述子两部分组成。他的关键点称为“Oriented FAST”，是一种改进的FAST角点。ORB提取速度快就得益于采用了FAST角点。它的描述子称为BRIEF(Binary Robust Independent Elementary Feature)，是一种速度极快的二进制描述子。ORB特征的提取流程如图1所示。

图1 ORB特征提取流程

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：如果一个像素与领域的像素差别较大（过亮或过暗），那么它更可能是角点。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。它的检测过程如下（图2）：

    1、在图像中选取像素p，假设它的亮度为![I_p](https://latex.codecogs.com/gif.latex?I_p)。

    2、设置一个阈值T（一般设为![I_p](https://latex.codecogs.com/gif.latex?I_p)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![I_p+T](https://latex.codecogs.com/gif.latex?I_p&amp;plus;T)或小于![I_p-T](https://latex.codecogs.com/gif.latex?I_p-T)，那么像素p可以被认为是特征点（N通常取12， 即FAST-12,。其他常用的N取值为9和11，他们分别被称为FAST-9和FAST-11）。

    5、循环以上四步，对每一个像素执行相同的操作。

FAST特征点虽然速度快，但是FAST角点不具有方向信息，并且还有尺度问题。比如远处看像是角点的地方，接近后看可能就不是角点了。针对FAST角点的问题，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。

图2 Oriented FAST特征点提取过程

图像金字塔是图像处理的常用方法，即对原始图像进行逐层的缩放，得到各种尺度下的图像。缩小后的图像可以看成是从更远的地方看到的图像。

图3 图像金字塔

在旋转方面，只需要计算像素点p邻域的灰度质心m，邻域中心P到灰度质心m的方向就是特征点的方向。从而得到Oriented FAST。邻域的灰度质心计算过程如下：

    1、在邻域B中，定义邻域的矩为

$m_p_q=\sum_{x,y\in B}x^py^qI(x,y), \quad p,q=\left\{0,1\right\}$

    2、通过矩可以找到图像块的质心：

$C=\left(\frac{m_{10}}{m_{00}}, \frac{m_{01}}{m_{00}} \right )$

    3、连接邻域的几何中心p与质心C，得到一个方向向量![\overrightarrow{OC}](https://latex.codecogs.com/gif.latex?%5Coverrightarrow%7BOC%7D)，于是特征点的方向可以定义为

$\theta=arctan\left( m_{01}/m_{10}\right )$

BRIEF描述子

BRIEF是一种二进制描述子，其描述向量由许多个0和1组成，这里的0和1编码了关键点附近两个随机像素（比如p和q）的大小关系：如果p比q大，则取1，反之就取0。按高斯分布依次挑选256个这样的点对（openCV默认是256），最终可以得到一个256维的向量，并且向量中的每个元素只能取0或1两个值。值得注意的是为了提高描述子的抗噪性，需要首先对图像进行高斯平滑处理。为了使特征点描述具有旋转不变性，还要将特征点的方向考虑进来。只需要将BRIEF中按高斯分布依次挑选的的256个点对按特征点方向旋转，得到新的256个点对，对新的点对计算分配特征值即可，这样就得到了Steer BRIEF描述。到这里，ORB特征就提取出来了。

特征匹配

特征匹配是确定两张图像中特征点的对应关系。考虑两个时刻的图像。如果在图像 $I_t$ 中提取到特征点 $x_t^m$ ，m=1,2,...,M，在图像 $I_{t+1}$ 中提取到特征点 $x_{t+1}^n$ ,n=1,2,...,N，如果寻找这两个集合元素的对应关系呢？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 $x_t^m$ 与所有 $x_{t+1}^n$ 计算描述子之间的距离，取最近的一个作为匹配点。描述子距离表示了两个特征之间的相似程度。对于像BRIEF这样的二进制描述子，往往使用汉明距离（Hamming distance）。两个二进制串之间的汉明距离，指的是其不同位数的个数。