使用ORB_SLAM2的方式进行特征检测和提取

比较opencv默认的方式和ORB-SLAM2中对opencv进行重写的方式，两个方法对图像特征提取结果的对比。
为方便比较，写在同一个文件中。主函数如下：

#include 
#include 
#include "ORBextractor.h"
#include 

using namespace std;
using namespace cv;
using namespace ORB_SLAM2;

int main()
{
    Mat img1 = imread("000000.png",0);
    ORBextractor* mpORBextractorLeft;

    //orb
    int nFeatures = 2000;
    float fScaleFactor = 1.2;
    int nLevels = 8;
    int fIniThFAST = 20;
    int fMinThFast = 7;

    std::vector keypoints1;
    mpORBextractorLeft = new ORBextractor(nFeatures,fScaleFactor,nLevels,fIniThFAST,fMinThFast);
    cv::Mat mDescriptors;
    cv::Mat outimg;
    (*mpORBextractorLeft)(img1,cv::Mat(),keypoints1,mDescriptors);
	drawKeypoints(img1,keypoints1,outimg,Scalar::all(-1));
    cout<<"ORBSLAM2: "< keypoints2;
    cv::Mat mDescriptors2;
    Ptr orb = ORB::create(2000, 1.2f, 8,31, 0, 2,ORB::HARRIS_SCORE, 31, 20);
    orb->detectAndCompute(img1, Mat(),keypoints2, mDescriptors2);   
    Mat outimg2;
    drawKeypoints(img1,keypoints2,outimg2,Scalar::all(-1));
    cout<<"OpenCV: "<

效果如下

结论

使用树形结构的ORB-SLAM2的特征提取方式，在提取数量上更多，分布也更均匀。而OpenCV默认的特征提取，特征点的分布较为集中，数量也较少，当把OpenCV方式参数中特征数量设置为2000时，分布无明显变化，还是很集中。因此ORB-SLAM2的作者在这方面下了功夫，对系统定位的鲁棒性有很大的作用。