OpenCV系列之ORB(面向快速和旋转的BRIEF) | 四十三

目标
在本章中，

• 咱们将了解ORB的基础知识

理论
做为OpenCV的狂热者，关于ORB的最重要的事情是它来自“ OpenCV Labs”。该算法由Ethan Rublee，Vincent Rabaud，Kurt Konolige和Gary R. Bradski在其论文《ORB：SIFT或SURF的有效替代方案》中提出。2011年，正如标题所述，它是计算中SIFT和SURF的良好替代方案成本，匹配性能以及主要是专利。是的，SIFT和SURF已得到专利，你应该为其使用付费。可是ORB不是！！！

ORB基本上是FAST关键点检测器和Brief描述符的融合，并进行了许多修改以加强性能。首先，它使用FAST查找关键点，而后应用Harris角测度在其中找到前N个点。它还使用金字塔生成多尺度特征。可是一个问题是，FAST没法计算方向。那么旋转不变性呢？做者提出如下修改。

它计算角点位于中心的贴片的强度加权质心。今后角点到质心的矢量方向肯定了方向。为了改善旋转不变性，使用x和y计算矩，它们应该在半径r的圆形区域中，其中r是斑块的大小。

如今，对于描述符，ORB使用Brief描述符。可是咱们已经看到，BRIEF的旋转性能不好。所以，ORB所作的就是根据关键点的方向“引导” BRIEF。对于位置图片上n个二进制测试的任何特征集，定义一个2×n矩阵S，其中包含这些像素的坐标。而后使用面片的方向θ，找到其旋转矩阵并旋转S以得到转向（旋转）版本图片,

ORB将角度离散化为图片（12度）的增量，并构造了预先计算的Brief模式的查找表。只要关键点方向θ在各个视图中一致，就将使用正确的点集来计算其描述符。

BRIEF具备一个重要的特性，即每一个位特征具备较大的方差，且均值接近0.5。可是，一旦沿关键点方向定向，它就会失去此属性，变得更加分散。高方差使功能更具区分性，由于它对输入的响应不一样。另外一个理想的特性是使测试不相关，由于从那时起每一个测试都会对结果有所贡献。为了解决全部这些问题，ORB在全部可能的二进制测试中进行贪婪搜索，以找到方差高且均值接近0.5且不相关的测试。结果称为rBRIEF。

对于描述符匹配，使用了对传统LSH进行改进的多探针LSH。该论文说，ORB比SURF快得多，而SIFT和ORB描述符比SURF更好。在全景拼接等低功耗设备中，ORB是一个不错的选择。

OpenCV中的ORB
与往常同样，咱们必须使用函数cv.ORB()或使用feature2d通用接口来建立ORB对象。它具备许多可选参数。最有用的是nFeatures，它表示要保留的最大特征数（默认为500），scoreType表示是对特征进行排名的Harris分数仍是FAST分数（默认为Harris分数）等。另外一个参数WTA_K决定点数产生定向的BRIEF描述符的每一个元素。默认状况下为两个，即一次选择两个点。在这种状况下，为了匹配，将使用NORM_HAMMING距离。若是WTA_K为3或4，则须要3或4个点来生成Brief描述符，则匹配距离由NORM_HAMMING2定义。
下面是显示ORB用法的简单代码。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('simple.jpg',0)
# 初始化ORB检测器
orb = cv.ORB_create()
# 用ORB寻找关键点
kp = orb.detect(img,None)
# 用ORB计算描述符
kp, des = orb.compute(img, kp)
# 仅绘制关键点的位置，而不绘制大小和方向
img2 = cv.drawKeypoints(img, kp, None, color=(0,255,0), flags=0)
plt.imshow(img2), plt.show()

查看如下结果：

ORB特征匹配，咱们将在另外一章中进行。

附加资源1.Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary R. Bradski: ORB: An efficient alternative to SIFT or SURF. ICCV 2011: 2564-2571.