ORB是一种特征提取和描述的快速算法，论文原文《ORB: an efficient alternative to SIFT or SURF》。
ORB算法分为特征提取和特征描述两个部分，其中特征提取是对FAST特征的改进，特征描述是对BRIEF算法的改进。
一、oFAST
1.1 FAST特征提取
FAST特征提取请参考链接：【目标检测】FAST特征学习记录。
针对特征点数量大且不确定，不具有方向信息和尺度信息等问题，ORB做了如下改进：
（1）对原始的FAST角点分别计算Harris响应值，然后选取前N个具有较大响应值的角点作为最终的角点集合。
（2）增加尺度和旋转的描述。
其中，尺度不变性是通过构建图像金字塔，并且在每一层生成FAST特征。
旋转不变性在下节详细说明。
1.2 通过灰度质心进行方向定位
定义一个图像块的矩定义为，
通过矩来计算特征点以r为半径范围内的质心，特征点坐标到质心形成一个向量作为该特征点的方向。
质心为，
那么该特征的方向为，
二、rBRIEF
2.1 BRIEF
BRIEF是在特征点的一个邻域内选择n对像素点，比较它们的灰度值，
p(x) < p(y)则为1，反之为0。n对都比较完之后就生成了长度为n的二进制串。
作者说在进行计算之前先对图像进行高斯平滑处理，窗口大小为5x5，n=256，图像块取31x31。
2.2 Steered BRIEF
定义一个2xn的矩阵，
经过旋转角度θ旋转，得到新的点对，
则steered BRIEF变为，
2.3 rBRIEF
使用steered BRIEF方法得到的特征描述子具有旋转不变性，但是相关性却不如BRIEF，这会影响特征的匹配效果。
作者没有使用BRIEF的取点对的方法，而是采用了学习的方法重新选取点对集合。
建立300k个特征点训练集，是从PASCAL 2006数据集中选取的。对于训练集的每个点，计算其31x31的邻域，邻域中的某个点的5x5邻域灰度平均值来代替某个点对的值。在31x31的邻域内共有(31-5+1)x(31-5+1)=729个子窗口，因此取点对的方法共有M=265356种。算法流程是
（1）300k个特征点选点对。
（2）对每个点对求平均值，按照平均值到0.5的距离大小重新点对进行排序，形成向量T。
（3）将T的第一列向量放到结果向量R中，并且将此列从T中移除。
（4）取T的下一列向量和R中的所有列向量计算相关性，如果相关系数小于设定的阈值，则将该列向量添加至R中，否则丢弃它。
（5）重复上述步骤，直到R中向量列数为256。如果遍历完所有向量之后R中的向量列数少于256，则提高阈值，重试。