ORB特征检测算法

论文：ORB: an efficient alternative to SIFT or SURF

ORB特征检测算法是将FAST特征点检测方法与BRIEF特征描述子结合起来，并针对它们的缺点进行了改进和优化。

FAST特征点检测算法:

       FAST特征点检测的具体过程，可以参考之前的博客。

       FAST特征点是没有尺度不变性的，在该论文中，提出构建了金字塔，在金字塔的每一层上利用FAST方法检测特征点，并利用Harris角点响应函数，挑选出Harris角点响应值最大的N个特征点。

      FAST特征点是没有方向的，在该论文中，提出了利用重心来求得特征点的方向，也就是对于特征点P，在其邻域内利用如下公式计算重心位置C，那么P与C的连线方向就是特征点P的方向。

      其中，I(x, y)是点（x，y）处的灰度值，那么重心C为:

      特征点P与重心C的夹角定义为FAST特征点的方向：

      为了提高该方法的旋转不变形，需要确保（x, y）在以P为中心，r为半径的圆形区域内，也就是x, y∈[-r, r]

      此外，在求特征点的方向时，除了上述方法，还有其他两种方法。MAX法：将特征点P邻域内最大梯度方向作为特征点的方向;BIN方法:类似于SIFT,在特征点邻域内计算梯度直方图，选取梯度直方图中最大值对应的方向为特征点的方向。在论文中指出，这两种方法不如重心法。

BRIEF特征描述子：

       BRIEF特征描述子的具体过程，可以参考之前的博客。

       BRIEF特征描述子不具有旋转不变性，在该论文中针对这一缺点，提出了Steer BRIEF。对于一个特征点，它的BRIEF描述子是一个长度为n的二进制码串，该二进制码串是由特征点周围的n对点（2n个点）生成的，我们可以将这2n个点（xi, yi）组成一个矩阵S。为了使得BRIEF特征描述子具有旋转不变性，论文中提出利用特征点的方向θ以及对应的旋转矩阵Rθ，构建S的一个矫正版本。

      实际上，我们可以把角度离散化，即把360度分为30份，然后，对这30个角度，分别求得计算对应的，这样就创建了一个查找表。之后，我们根据特征点的方向，快速得到对应的点对集合。

      为了减少噪声的干扰，在计算BRIEF描述子时，选取5*5区域的平均灰度值代替原来一个单点的灰度值。

      

      BRIEF特征描述子具有以下特性：对于n维的二进制码串的每一个比特位，满足均值为0.5，方差很大的高斯分布。方差很大，意味着区分性比较强，那么不同特征点的描述子有较大的差异性，不容易造成误匹配。但是，将BRIEF沿着特征点的方向调整为Steer BRIEF后，方差很小，各个成分之间的相关性比较大。为了减少Steer BRIEF的方差亏损以及二进制码串的相关性，该论文提出了利用贪婪学习方法来选择点对集合。进一步改进后的算法称为rBRIEF，具体如下：

.

主要参考博客：

http://www.cnblogs.com/ronny/p/4083537.html

http://blog.csdn.net/gh_home/article/details/51511471