orb SLAM：orb方法在实时定位与地图重建中的应用
orb是图像特征点匹配和描述的一种方法，因为具有旋转不变性，并且检测和匹配特征点的速度很快，较好的满足了实时性，因而在视觉SLAM（及时定位与地图重建）中大受欢迎。
Ethan Rublee等人2011年在《ORB：An Efficient Alternative to SIFT or SURF》文章中提出了ORB算法。结合Fast与Brief算法，并给Fast特征点增加了方向性，使得特征点具有旋转不变性，并提出了构造金字塔方法，解决尺度不变性。
全称：Oriented FAST and Rotated BRIEF
FAST：Feature From Accelerated Segment Test
BRIEF：Binary Robust Independent Elementary
orb用途
-
特征点检测 （FAST）
-
特征点描述（BRIEF）
1 怎么检测特征点：
下面图中有一个很小的角点，就在那个尖尖的位置，显然，一个尖尖的位置，是非常适合作为特征点的，事实上，所有棱角分明的图像区域，我们都能拿来作为特征点。
那么有什么好办法怎么得到尖尖的位置信息？
人眼只要一扫，就能找到它，然而这个过程是不自知的，不自知的过程，就不能交给我们的计算机来处理，计算机是个离散的系统，它只不过把我们的想法量化，然后确定无疑的一步一步执行。
对于计算机来说，一张图片，在它的“大脑”CPU中，就是一组像素点序列，因此，从计算机算法的角度考虑问题，这个问题其实是在问，尖尖的位置，和其它位置，在计算机存储的像素点序列中，怎么区分开？
好了，有了这个思路，那我们把这个像素区单独拿出来研究，杂一看，是黑乎乎的一团，周围好像有点不一样，似乎有章可循。我们可以把最黑的挑出来，作为圆心，画个圆。画多大？这个看我们的需要，这里不妨以三个像素点为半径画圆。
在圆周上现在有16个像素点，我们给它顺时针编号，为了方便起见，最上角编号为1。每个像素点的像素值设为I（x），我们把与中心点像素值差别很大的称为白点，设置一个阈值，比如10，差别大于10，就是白点，那么计算一下16个像素点和中心像素点的差，找出所有的白点。
直觉上，我们倾向于认为，如果连续的3/4个像素点，都和中心点黑白差异比较大，那我们有理由相信，这是一个与众不同的点，也就是我们关心的特征点。
事实上，如果我们拿出1,6,11,16号点，我们会发现，如果这四个点有一个不是白点，那么按照我们的定义，这个区域肯定不是特征点。
目前为止，我们已经得到尖尖的特征点。其它特征点，一样的方法。然后我们得到了第二个，第三个，......，如同下图
（下图仅仅找出部分特征点，过滤掉了很多，具体这里不讲）
图侵删，援引自：https://blog.csdn.net/guoyunfei20/article/details/78792770
关于FAST特征点提取算法的c++实现，参阅下面的文章。
https://www.cnblogs.com/polly333/p/5417353.html
那么问题来了，得到了好多特征点，怎么区分？
“要知道，视觉SLAM中，我们想要得到相机的运动轨迹，而输入信息是视频流，也就是只有一张张连续的照片，称之为帧，前后两帧图像中，同一个特征点出现在了图像上不同的位置，这是显而易见的，这不同的位置是怎么来的？显然是相机的位置，或者姿态发生了变化。
相机在连续的两个位姿下，拍摄了空间中同一位点，这个位点在两张照片中的像素坐标是不一样的，相机的空间位姿变换，和像素点的位置变换之间存在一个变换矩阵，这个矩阵描述了相机的平移和旋转变化。变换矩阵和相机自身的物理属性有关系，高翔的《视觉SLAM十四讲》中具体推导出了变换矩阵。有了变换矩阵，还有了特征点的在图像中的位置，我们就能得到相机的运动方程。用一个特征点得到的相机运动不可靠，同时，随着相机镜头的转变，之前的特征点可能消失，因此，我们通常需要很多特征点，来保证slam过程的精确性和连续性。”
这就要回答第二个大问题，如何描述特征点。
2 怎么描述特征点：
我们已经解决了怎么找出一个特征点的问题，现在假如在一帧图像中得到了n个特征点，我们怎么区分开这些特征点？当然，如果只有一个图片，那直接给不同的特征点编个号，1,2,3,......n，显然对于SLAM来说，这是行不通的。为了描述运动，我们需要前后两张图中同一个特征点的像素坐标，那怎么找出同一个特征点来？
对于人来说，两张图中同一个特征好像轻而易举的就能被发现，这又是一个不自知的过程，那对于计算机，一切都是明确的可执行的。问题其实在问，如何让同一个特征点代表同一个数？即建立起不同特征点的一一映射关系。
orb SLAM用到了BRIEF算法。BRIEF在2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，是对已检测到的特征点进行描述，它是一种二进制编码的描述子。
算法步骤如下：
1、为减少噪声干扰，先对图像进行高斯滤波（方差为2，高斯窗口为9x9）。
2、以特征点为中心，取SxS的邻域窗口。在窗口内随机选取一对（两个）点，比较二者像素的大小，进行如下二进制赋值。
其中，p(x)，p(y)分别是随机点x=(u1,v1),y=(u2,v2)的像素值。3、在窗口中随机选取N对随机点，重复步骤2的二进制赋值，形成一个二进制编码，这个编码就是对特征点的描述，即特征描述子。（一般N=256）
以上便是BRIEF特征描述算法的步骤。
关于一对随机点的选择方法，原作者测试了以下5种方法，其中方法（2）比较好。
引用自https://blog.csdn.net/hujingshuang/article/details/46910259
可以推测x，y呈现同一高斯分布时，特征子比较稳定。