介绍
FAST关键点
rBRIEF描述子

介绍

目前SIFT特征准确度高，但是计算复杂度也高。很多时候需要用到匹配、追踪什么的，使用SIFT就比较慢。本文作者提出了ORB（Oriented FAST and Rotation BRIEF）特征。ORB有个特点是这个特征没有申请专利，另外这种特征的好处是：

给FAST检测子方向和快速计算；
高效计算带有方向的BRIEF特征

关键点（keypoint 就是图片中比较重要的位置，比如角点）使用FAST检测子寻找。

描述子（descriptor 就是对关键点进行描述）这里使用的是BRIEF描述子。但是BRIEF没有方向，所以这里就给BRIEF一个方向。

FAST关键点

FAST的基本方法可以写成：

图中是计算半径为3的FAST关键点。
1、计算1和9是否会大于阈值，如果大于阈值则可以进入下一个，否则就不是关键点。
2、计算1,9,5,13是不是大于阈值的个数超过3个，不是的话，就不是关键点。是的话进入下一步。
3、计算一个像素点，取周围距离为3的一个圆，然后这个像素点与周围的【1-16】的差值大于阈值的个数count，如果会大于阈值，则计算的count+1。如果count大于等于9，那么就作为候选项。
4、使用NMS，如果在3x3或5x5的邻域内，如果没有有比当前像素更大的score的点，那么就抑制这个点。

在ORB特征里，使用的是FAST-9，圆的半径是9（在这里也有人说FAST-9是半径为3，这个具体看了代码再说）

计算完这些以后，FAST特征没有对特征的正确度进行排序，所以这里使用了Harris角点进行计算排序。首先去较低的阈值获取超过N个关键点，然后再根据Harris角点的计算进行排序。与此同时，FAST没有产生多尺度的特征，所以使用在计算图片的尺度金字塔，在不同尺度计算FAST关键点。

之后需要计算FAST的方向了，在计算方向的时候，这里提出了一个叫做intensity centroid的东西。

具体计算方法就是：

首先是计算moment，就是在某个领域内计算m，计算公式如下图：

这里计算的就是强度中心。

然后我们从中点O（也就是FAST的关键点）到C点就有了一个向量： OC→OC→ 计算FAST的方向就可以使用下面的公式计算咯。在ORB特征里面，它使用的领域就是一个圆。

作者在这里提到为了找到方向，他特地使用MAX和BIN的方法计算方向，但是他发现还是center centroid的方法最好。

rBRIEF描述子

rBRIEF（rotation-aware BRIEF)描述子。

首先先来了解一下什么是BRIEF【6】、【7】、【8】、【9】、【10】、【11】。
描述子是对关键点进行一个描述，刚才我们已经通过了FAST特征找到了关键点的位置和方向。

下面是详细的步骤：

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）。
以特征点为中心，取SxS的邻域大窗口。在大窗口中随机选取一对（两个）5x5的子窗口，比较子窗口内的像素和（可用积分图像完成），进行二进制赋值。（一般S=31）
在大窗口中随机选取N对子窗口，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）

在随机选取特征点的时候，有几种随机选取的方法【6】。

在ORB特征中，选取的随机点是高斯分布的。长度n=256。在进行计算描述子的时候，采用的高斯核是5x5的31x31的区域内进行。

为了让BRIEF具有旋转不变性，这里使用了得当初寻找FAST的关键点的方向的作为BRIEF的方向，这样就可以得到：

把关键点周围的要用来计算的坐标列成2xn的矩阵。

计算通过旋转矩阵之后这些点的坐标。旋转矩阵就是[cos a sin a； sin a -cos a]这个矩阵。

这里就是计算旋转之后的坐标中取出点来计算BRIEF描述子。

所以从整个步骤中我们可以看到ORB特征还是比较简单的，复杂度也比较低，速度很快。有方向和尺度的信息，这是之前BRIEF没有的。

具体的这个特征的分析，比如后面PCA说为什么ORB更好呀，就得自己看论文咯，已经写得很清楚了。当然特征还有SIFT、SURF、AKAZE、HIST等等。之前CV课上都有做过东西，没有来得及总结，以后有空再把追踪、场景识别、图像拼接等等这些东西从原理到代码介绍一遍。

看完这些，再回到ORB-SLAM的计算特征的部分，再梳理一遍。

参考链接：

FAST Corner:

【1】 http://blog.csdn.net/hujingshuang/article/details/46898007#reply

【2】 http://blog.csdn.net/went2011/article/details/8020943

【3】 http://blog.csdn.net/candycat1992/article/details/22285979

【4】 http://blog.csdn.net/yang_xian521/article/details/7411438

【5】 http://www.tuicool.com/articles/e6Bv2q

Brief:

【6】 http://www.mamicode.com/info-detail-922469.html

【7】 http://blog.csdn.net/lhanchao/article/details/52612954

【8】 http://blog.csdn.net/eternity1118_/article/details/51182354

【9】 http://blog.csdn.net/eternity1118_/article/details/51351514

【10】 http://blog.csdn.net/lhanchao/article/details/52612954

【11】 http://wenku.baidu.com/link?url=vq8-lKMiQa90mlz4dk6CvN0IegknJmlvJfHeFYpSbjqGs06e-WopvHgq9pgreJkIfon7N4KfIIH16NQt0cuzdpwAkxLwjKxs9YVEwxnVmqC

转载出处：http://blog.csdn.net/c602273091/article/details/56008370

ORB：FAST关键点和rBRIEF描述子相关推荐

ORB特征和FAST关键点笔记
ORB特征和FAST 关键点 1. ORB特征 ORB特征由关键点和描述子两部分组成.它的关键点称为"Oriented FAST",是一种改进的FAST角点,什么是FAST角点我 ...
详细解读ORBSLAM中的描述子提取过程
一直都在基于ORBSLAM做一些相关的开发,只知道进来的图片会直接提取出BRIEF描述子,但是都没有详细地看过它具体的提取过程,今天仔细研究了一下代码和相关理论,弄清楚之后感觉神清气爽,部分内容查找有 ...
特征描述子提取公用接口
OpenCV封装了一些特征描述子提取算法,使得用户能够解决该问题时候方便使用各种算法.这章用来计算的描述子提取被表达成一个高维空间的向量 vector.所有实现 vector 特征描述子子提取的部分继 ...
SLAM--PL-SLAM中基于线特征的初始化方法（LSD算法，LBD描述子，计算R和t）
SLAM中基于线特征的初始化方法线特征的初始化直线段检测算法---LSD:a Line Segment Detector 描述子---LBD:Line detection and descript ...
即将开源STD：用于3D位置识别的稳定三角形描述子
文章:STD: Stable Triangle Descriptor for 3D place recognition 作者:Chongjian Yuan, Jiarong Lin , Zuhao Z ...
图像局部特征（十一）--ORB描述子
Oriented FAST and Rotated BRIEF www.cnblogs.com/ronny 这篇文章我们将介绍一种新的具有局部不变性的特征 -- ORB特征,从它的名字中可以看出 ...
ORB-SLAM2中生成金字塔提取FAST角点和计算BRIEF描述子
//这个是类ORBextractor的带参构造函数,并且使用初始化列表对该类中的这5个变量赋值 ORBextractor::ORBextractor(int _nfeatures, float _sc ...
ZippyPoint: 一种基于学习的特征点提取+二进制描述子，速度提升5倍+，为移动平台提供一种ORB的替代方案...
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨Realcat 来源丨计算机视觉SLAM 作者来自ETHZ Computer Vision实验 ...
opencv中java的dmatch_关于OpenCV的那些事——ORB的brief描述子（256bit）的match心得
用了ORB那么久,今天第一次将256bit的描述子打印出来,直观看到了match的汉明距离. 上代码:#include #include #include #include #include #inc ...

ORB：FAST关键点和rBRIEF描述子

介绍

FAST关键点

rBRIEF描述子

ORB：FAST关键点和rBRIEF描述子相关推荐

最新文章

热门文章