[置顶] ORB特征 学习笔记

ORB特征描述子

1.     简介

       ORB描述子由Ethan Rublee等人发表于ICCV11。详见这篇文章： “ORB: an efficient alternative to SIFT or SURF”。

       ORB是Oriented FAST and Rotated BRIEF的简写，他是BRIEF描述子的一种改进，相比于BRIEF特征，它具有旋转不变性、尺寸不变性和对噪声的鲁棒性。

2.     方法

(1) ORB如何获得尺度不变性？

       首先建立图像金字塔，然后在金字塔的每一层检测FAST关键点，再计算关键点的Harris响应值，根据响应值的大小筛选出N个关键点，作为最终检测到的点。

(2) ORB如何获得对噪声的鲁棒性？

       BRIEF方法是在keypoint周围31*31pixel 的patch中随机选取n对点进行比较，而ORB将点的比较变为为小窗口像素和的比较，用5*5pixels小窗口内像素的和来代替原来的单个点，由于是小区域的比对，因此对噪声会更加鲁棒。同时利用积分图进行加速，因此这一步在性能上不会有太大的损失。

(3)ORB如何获得旋转不变性？

        定义patch的矩(moment)为：

        计算patch的图心(重心):

        假设原点为O ，那么图心的方向为向量OC，则图像块的方向角可以简单定义为：

         为了提高旋转不变性，考虑patch的圆形区域，而不是原来的方形区域。

        SIFT是以梯度直方图的方式来确定主方向，而ORB是通过计算图心的方法来确定主方向。

        确定好主方向后，将patch沿着主方向旋转就可以了。在OpenCV的实现中，patch中随机选取的点对已经固定好，因此可以2π/30的θ作为增量，建立旋转后随机点位置的查找表(lookup table)，这样就可以大大提高效率。

       原文中对随机点对的方差和相关性进行了分析，并提出一种贪婪的策略来找出相关性较低的随机点对。在OpenCV的源码中，应该是已经固定选取了相关性较低的随机点对。

3.      匹配方法

       因为是二值特征，因此可以用Hamming距离匹配，文中用了multi-probe LSH的方法，还没研究，大家可以参考这篇文章：“Multi-probeLSH: efficient indexing for high-dimensional similarity search”