图像处理ORB特征学习笔记（1）

关键点：

使用Harris角点检测寻找FAST关键点。初始时，选取低阀值，使获取的关键点数目大于N。再根据Harris测量，为关键点排序，选取测量值高的N个点做关键点。Harris角滤波器丢弃边缘。

由于FAST没有尺度不变性，因此，做尺度金字塔，在每层金字塔上生成FAST特征。

用质心法分析角方向（主方向）。

根据Rosin定义距：

质心：

方向：

patch半径为r，x、y区间为[r,-r]。

描述子：

对关键点使用BRIEF算法：

1，对图像使用积分平滑处理（31*31像素上选取5*5子窗口）；

2，在特征点附近选取patch，用高斯分布采样方式，选取n对点对（n取256）；

3，比较点对：

4，获得一个n位二进制串，即BRIEF描述子；

BRIEF在平面旋转特性上表现差。改进方法：用关键点方向引导BRIEF。

将n对点对组成矩阵：

patch主方向θ及方向矩阵，构建：

其中

按重新求得BRIEF，即可获得steered BRIEF，即根据关键点方向“引导“的BRIEF。

然而steered BRIEF方差小，相关度高，区分能力差。为恢复steered BRIEF方差，ORB学习了一种新的方法：

1，建立一个300 000关键点的训练集，每个关键点选取31*31的patch；

2，选取5*5子窗口，共有N=(31-5+1)*(31-5+1)个字窗口，用5*5的平均强度代替单点强度；

3，选取点对，共有M=N*(N-1)/2种可能性；

4，300 000个关键点全部运行后，形成300 000*M矩阵，计算每一列平均值；

5，M个平均值按到0.5距离排序，将对应的列向量放入到T中；

6，将T中第一个列向量放入R中；

7，取T中下一列，与R中元素比较相关性。高于阀值，丢弃；否则，添加到R中；

8，重复7，直到R中有256列为止；若小于256，提高阀值，再次搜索。

R中的行元素，就是每个patch对用的256个点对。以上结果，我们称为rBRIEF。