《视觉SLAM14讲》学习笔记——ORB特征提取与匹配

本篇博客是对于《视觉SLAM十四讲》中第7讲的ORB特征提取和匹配部分进行一个记录，后续会继续完善和补充ORB的其他内容

7.1 特征点法

• 视觉里程计算法主要分为：特征点法和直接法
• 特征点法的优点：稳定，对光照、动态物体不敏感

7.1.1 特征点

• 提取角点的算法有：Harris角点、FAST角点、GFTT角点等
• 单纯的角点不具有尺度不变性，目前主要的特征点有**SIFT¹ 、SURF、ORB²**等
• 特征点由**关键点(Key-point)和描述子(Descriptor)**组成
  • 关键点：特征点在图像里的位置，有些特征点还带有朝向、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

7.1.2 ORB特征

FAST关键点

• ORB改进了FAST检测子不具有方向信息和尺度的问题，并且使用二进制描述子BRIEF(Binary Robust Independent Elementary Feature)
  • 尺度不变性：构建图像金字塔，并在金字塔的每一层上检测角点
  • 旋转不变性：灰度质心法（Intensity Centroid）找一个灰度值作为权重的中心C，连接几何中心O和C，得到一个方向向量，

BRIEF描述子

• BRIEF是二进制的描述子，存储方便，实时性也好

7.1.3 特征匹配

• 最简单的特征匹配方法是暴力匹配：对于每一个特征点x_tⁿ和所有的x_t+1ⁿ测量描述子的距离，然后选取距离最近的点对。
• 由于这里使用的BRIEF（二进制 0或1），所以只需要比较不同的位数就可以了

7.2 实践（C++ & OpenCV-3.3.1）

7.2.1 OpenCV的ORB特征

具体的代码就不放在这了，这里我附上了我自己的Github链接和书的作者的Github链接。
列举一些需要记住的编写方式：

// 初始化
// OpenCV中特征点的类型为“==KeyPoint==”
vector<KeyPoint> keypoints_1, keypoints_2;
Mat descriptors_1, descriptors_2;
// 
Ptr<FeatureDetector> detector = ORB::create();
Ptr<DescriptorExtractor> descriptor = ORB::create();
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");

---

1. 尺度不变特征变换(Scale-Invariant Feature Transform) ↩︎

2. ORB (Oriented FAST and Rotated BRIEF) ↩︎