文章目錄
-
- 概要（簡述）
-
-
-
- 1）尋找特征點：
- 2）描述特征點：
- 3）特征點比對：
-
-
- 使用方法
-
-
-
- 1）opencv中調用方法
- 2）實際代碼使用方法
-
-
- 附錄（詳解）（轉）
-
- 1.特征點的檢測
- 2.特征點的描述
-
- 2.1 計算特征描述子
- 2.2 理想的特征點描述子應該具備的屬性
- 3.特征點的比對
概要（簡述）
ORB - (Oriented Fast and Rotated BRIEF)算法是基于FAST特征檢測與BRIEF特征描述子比對實作，相比BRIEF算法中依靠随機方式擷取而值點對，ORB通過FAST方法，FAST方式尋找候選特征點方式是假設灰階圖像像素點A周圍的像素存在連續大于或者小于A的灰階值，ORB的步驟如下：
1）尋找特征點：
在要觀察的像素點P周圍找多個點進行比較，為了加快過程，一般為16、12、9或4個進行比較；如果滿足周圍有連續的多個點的像素同時大于或同時小于P點的像素，則像素點P被标記為候選特征點，然後通過門檻值進行最終的篩選即可得到ORB特征點。
2）描述特征點：
使用BRIEF建構特征描述子，首先在P點周圍找特征點對，然後對選取的點對進行T操作，得到0和1 的序列，可按照點對的位置進行排列；
3）特征點比對：
用2）建構的特征描述子（1和0組成的二進制序列）進行比較，相似度=（相同的個數）/（總個數）;這就要求兩個特征的描述子大小和順序必須相同。
使用方法
1）opencv中調用方法
static Ptr<ORB> cv::ORB::create (
int nfeatures = 500, //nfeatures 最終輸出最大特征點數目
float scaleFactor = 1.2f, // scaleFactor 金字塔上采樣比率
int nlevels = 8, // nlevels 金字塔層數
int edgeThreshold = 31, // edgeThreshold 邊緣門檻值
int firstLevel = 0,
int WTA_K = 2, // WTA_K這個是跟BRIEF描述子用的
ORB::ScoreType scoreType = ORB::HARRIS_SCORE, // scoreType 對所有的特征點進行排名用的方法
int patchSize = 31,
int fastThreshold = 20
)
2）實際代碼使用方法
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main(int argc, char** argv) {
Mat src = imread("test.png");
auto orb_detector = ORB::create(1000);
vector<KeyPoint> kpts;
orb_detector->detect(src, kpts);
Mat result = src.clone();
drawKeypoints(src, kpts, result, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
imshow("ORB-detector", result);
imwrite("result.png", result);
waitKey(0);
return 0;
}
附錄（詳解）（轉）
下面為實際參考的文章，一并附上，轉載請注明出處：http://blog.csdn.net/yang843061497/article/details/38553765
1.特征點的檢測
圖像的特征點可以簡單的了解為圖像中比較顯著顯著的點，如輪廓點，較暗區域中的亮點，較亮區域中的暗點等。
ORB采用FAST（features from accelerated segment test）算法來檢測特征點。FAST核心思想就是找出那些卓爾不群的點，即拿一個點跟它周圍的點比較，如果它和其中大部分的點都不一樣就可以認為它是一個特征點。
備注：每個小方格代表一個像素，方格内的顔色隻是為了便于區分，不代表該像素點的顔色。
FAST具體計算過程：
- 從圖檔中選取一個像素點P，下面我們将判斷它是否是一個特征點。我們首先把它的密度（即灰階值）設為Ip。
- 設定一個合适的阙值t ：當2個點的灰階值之差的絕對值大于t時，我們認為這2個點不相同。
- 考慮該像素點周圍的16個像素。（見上圖）
- 現在如果這16個點中有連續的n個點都和點不同，那麼它就是一個角點。 這裡n設定為12。
- 我們現在提出一個高效的測試，來快速排除一大部分非特征點的點。該測試僅僅檢查在位置1、9、5和13四個位置的像素（首先檢查1和9，看它們是否和點相同。如果是，再檢查5和13）。如果是一個角點，那麼上述四個像素點中至少有3個應該和點相同。如果都不滿足，那麼不可能是一個角點。 圖中紅色的點為使用FAST算法找到的特征點。
ORB特征檢測原理（含使用代碼）
2.特征點的描述
2.1 計算特征描述子
得到特征點後我們需要以某種方式F描述這些特征點的屬性。這些屬性的輸出我們稱之為該特征點的描述子（Feature DescritorS）.ORB采用BRIEF算法來計算一個特征點的描述子。BRIEF算法的核心思想是在關鍵點P的周圍以一定模式選取N個點對，把這N個點對的比較結果組合起來作為描述子。
具體來講分為以下幾步。
1.以關鍵點P為圓心，以d為半徑做圓O。
2.在圓O内某一模式選取N個點對。這裡為友善說明，N=4，實際應用中N可以取512.
假設目前選取的4個點對如上圖所示分别标記為：
3.定義操作T
4.分别對已選取的點對進行T操作，将得到的結果進行組合。
假如：
則最終的描述子為：1011
2.2 理想的特征點描述子應該具備的屬性
在現實生活中，我們從不同的距離，不同的方向、角度，不同的光照條件下觀察一個物體時，物體的大小，形狀，明暗都會有所不同。但我們的大腦依然可以判斷它是同一件物體。理想的特征描述子應該具備這些性質。即，在大小、方向、明暗不同的圖像中，同一特征點應具有足夠相似的描述子，稱之為描述子的可複現性。
當以某種理想的方式分别計算上圖中紅色點的描述子時，應該得出同樣的結果。即描述子應該對光照（亮度）不敏感，具備尺度一緻性（大小 ），旋轉一緻性（角度）等。
上面我們用BRIEF算法得到的描述子并不具備以上這些性質。是以我們得想辦法改進我們的算法。ORB并沒有解決尺度一緻性問題，在OpenCV的ORB實作中采用了圖像金字塔來改善這方面的性能。ORB主要解決BRIEF描述子不具備旋轉不變性的問題。
回顧一下BRIEF描述子的計算過程：在目前關鍵點P周圍以一定模式選取N個點對，組合這N個點對的T操作的結果就為最終的描述子。當我們選取點對的時候，是以目前關鍵點為原點，以水準方向為X軸，以垂直方向為Y軸建立坐标系。當圖檔發生旋轉時，坐标系不變，同樣的取點模式取出來的點卻不一樣，計算得到的描述子也不一樣，這是不符合我們要求的。是以我們需要重建立立坐标系，使新的坐标系可以跟随圖檔的旋轉而旋轉。這樣我們以相同的取點模式取出來的點将具有一緻性。
打個比方，我有一個印章，上面刻着一些直線。用這個印章在一張圖檔上蓋一個章子，圖檔上分處直線2頭的點将被取出來。印章不變動的情況下，轉動下圖檔，再蓋一個章子，但這次取出來的點對就和之前的不一樣。為了使2次取出來的點一樣，我需要将章子也旋轉同一個角度再蓋章。（取點模式可以認為是章子上直線的分布情況）
ORB在計算BRIEF描述子時建立的坐标系是以關鍵點為圓心，以關鍵點和取點區域的形心的連線為X軸建立2維坐标系。
在圖1中，P為關鍵點。圓内為取點區域，每個小格子代表一個像素。現在我們把這塊圓心區域看做一塊木闆，木闆上每個點的品質等于其對應的像素值。根據積分學的知識我們可以求出這個密度不均勻木闆的質心Q。計算公式如下。其中R為圓的半徑。
我們知道圓心是固定的而且随着物體的旋轉而旋轉。當我們以PQ作為坐标軸時（圖2），在不同的旋轉角度下，我們以同一取點模式取出來的點是一緻的。這就解決了旋轉一緻性的問題。
3.特征點的比對
ORB算法最大的特點就是計算速度快 。 這首先得益于使用FAST檢測特征點，FAST的檢測速度正如它的名字一樣是出了名的快。再次是使用BRIEF算法計算描述子，該描述子特有的2進制串的表現形式不僅節約了存儲空間，而且大大縮短了比對的時間。
例如特征點A、B的描述子如下。
A：10101011
B：10101010
我們設定一個門檻值，比如80%。當A和B的描述子的相似度大于90%時，我們判斷A,B是相同的特征點，即這2個點比對成功。在這個例子中A,B隻有最後一位不同，相似度為87.5%，大于80%。則A和B是比對的。
我們将A和B進行異或操作就可以輕松計算出A和B的相似度。而異或操作可以借組硬體完成，具有很高的效率，加快了比對的速度。比對結果如下。