orb特征 匹配 opencv（ORB特征）
介绍
ORB(Oriented FAST and Rotated BRIEF)特征是一种常用的图像特征 ，其最大的优点是提取速度快 ，按业界的说法 ，ORB特征提取速度臂SURF快10倍 ，比SIFT快100倍 。ORB特征由关键点和描述子两部分组成 。他的关键点称为“Oriented FAST ” ，是一种改进的FAST角点 。ORB提取速度快就得益于采用了FAST角点 。它的描述子称为BRIEF(Binary Robust Independent Elementary Feature) ，是一种速度极快的二进制描述子 。ORB特征的提取流程如图1所示 。
图1 ORB特征提取流程
FAST关键点
FAST是一种角点 ，主要检测局部像素灰度变化明显的地方 ，以速度快著称 。它的思想是：如果一个像素与领域的像素差别较大（过亮或过暗） ，那么它更可能是角点 。相比于其他角点检测算法 ，FAST只需比较像素亮度的大小 ，十分快捷 。它的检测过程如下（图2）：
1 、在图像中选取像素p ，假设它的亮度为 。
2 、设置一个阈值T（一般设为的20%） 。
3 、以像素p为中心 ，选取半径为3的圆上的16个像素点 。
4 、假如选取的圆上有连续的N个点的亮度大于或小于 ，那么像素p可以被认为是特征点（N通常取12 ， 即FAST-12, 。其他常用的N取值为9和11 ，他们分别被称为FAST-9和FAST-11） 。
5 、循环以上四步 ，对每一个像素执行相同的操作 。
FAST特征点虽然速度快 ，但是FAST角点不具有方向信息 ，并且还有尺度问题 。比如远处看像是角点的地方 ，接近后看可能就不是角点了 。针对FAST角点的问题 ，ORB添加了尺度和旋转的描述 。尺度不变性由构建图像金字塔 ，并在金字塔的每一层上检测角点来实现 。而特征的旋转是由灰度质心法（Intensity Centroid）实现的 。
图像金字塔是图像处理的常用方法 ，即对原始图像进行逐层的缩放 ，得到各种尺度下的图像 。缩小后的图像可以看成是从更远的地方看到的图像 。
图3 图像金字塔
在旋转方面 ，只需要计算像素点p邻域的灰度质心m ，邻域中心P到灰度质心m的方向就是特征点的方向 。从而得到Oriented FAST 。邻域的灰度质心计算过程如下：
1 、在邻域B中 ，定义邻域的矩为
2 、通过矩可以找到图像块的质心：
3 、连接邻域的几何中心p与质心C ，得到一个方向向量 ，于是特征点的方向可以定义为
BRIEF描述子
BRIEF是一种二进制描述子 ，其描述向量由许多个0和1组成 ，这里的0和1编码了关键点附近两个随机像素（比如p和q）的大小关系：如果p比q大 ，则取1 ， 反之就取0 。按高斯分布依次挑选256个这样的点对（openCV默认是256） ，最终可以得到一个256维的向量 ，并且向量中的每个元素只能取0或1两个值 。值得注意的是为了提高描述子的抗噪性 ，需要首先对图像进行高斯平滑处理 。为了使特征点描述具有旋转不变性 ，还要将特征点的方向考虑进来 。只需要将BRIEF中按高斯分布依次挑选的的256个点对按特征点方向旋转 ，得到新的256个点对 ，对新的点对计算分配特征值即可 ，这样就得到了Steer BRIEF描述 。到这里 ，ORB特征就提取出来了 。
特征匹配
特征匹配是确定两张图像中特征点的对应关系 。考虑两个时刻的图像 。如果在图像中提取到特征点 ，m=1,2,...,M ，在图像中提取到特征点,n=1,2,...,N ，如果寻找这两个集合元素的对应关系呢？最简单的特征匹配方法就是暴力匹配（Brute-Force Matcher） 。即对每一个特征点与所有计算描述子之间的距离 ，取最近的一个作为匹配点 。描述子距离表示了两个特征之间的相似程度 。对于像BRIEF这样的二进制描述子 ，往往使用汉明距离（Hamming distance） 。两个二进制串之间的汉明距离 ，指的是其不同位数的个数 。
当特征点数量很大时 ，暴力匹配法的运算量将变得很大 ，此时 ，快速近似最近邻（FLANN）算法更加适合于匹配点数量极多的情况 。
ORB特征示例
ORB特征点
ORB特征点匹配
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！