opencv特征点检测orb特征.doc

OpenCV特征点检测------ORB特征 +添加收藏 ? wangyaninglm ? 2015-04-01 ? 204 查看 ? 0评 论 ORB算法 ORB是是ORiented Brief的简称。ORB的描述在下面文章中： Ethan Rublee and Vincent Rabaud and Kurt Konolige and Gary Bradski, ORB: an efcient alt ernative to SIFT or SURF, ICCV 2011 没有加上链接是因为作者确实还没有放出论文，不过OpenCV2.3RC中已经有了实现，Willow Garage有一个talk也提到了这个算法，因此我不揣浅陋，在这里总结一下。 Brief是Binary Robust Independent Elementary Features的缩写。这个特征描述子是由EPFL 的Calonder在ECCV2010上提出的。主要思路就是在特征点附近随机选取若干点对，将这些 点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子 。详细算法描述参考如下论文： Calonder M., Lepetit V., Strecha C., Fua P.: BRIEF: Binary Robust Independent Elementary Features. ECCV 2010 注意在BRIEF eccv2010的文章中，BRIEF描述子中的每一位是由随机选取的两个像素点做二 进制比较得来的。文章同样提到，在此之前，需要选取合适的gaussian kernel对图像做平滑 处理。（为什么要强调这一点，因为下述的ORB对此作了改进。） BRIEF的优点在于速度，缺点也相当明显： 1：不具备旋转不变性。 2：对噪声敏感 3：不具备尺度不变性。 ORB就是试图解决上述缺点中的1和2. 如何解决旋转不变性： 在ORB的方案中，是采用了FAST作为特征点检测算子。FAST应用的很多了，是出名的快， 以防有人不知道，请看这里： 在Sift的方案中，特征点的主方向是由梯度直方图的最大值和次大值所在的bin对应的方向决 定的。略嫌耗时。 在ORB的方案中，特征点的主方向是通过矩（moment）计算而来，公式如下： 有了主方向之后，就可以依据该主方向提取BRIEF描述子。但是由此带来的问题是，由于主 方向会发生变化，随机点对的相关性会比较大，从而降低描述子的判别性。解决方案也很直 接，采取贪婪的，穷举的方法，暴力找到相关性较低的随机点对。 如何解决对噪声敏感的问题： 在前面提到过，在最早的eccv2010的文章中，BRIEF使用的是pixel跟pixel的大小来构造描述 子的每一个bit。这样的后果就是对噪声敏感。因此，在ORB的方案中，做了这样的改进，不 再使用pixel-pair，而是使用9×9的patch-pair，也就是说，对比patch的像素值之和。（可以 通过积分图快速计算）。 关于尺度不变性： ORB没有试图解决尺度不变性，（因为FAST本身就不具有尺度不变性。）但是这样只求速度 的特征描述子，一般都是应用在实时的视频处理中的，这样的话就可以通过跟踪还有一些启 发式的策略来解决尺度不变性的问题。 关于计算速度： ORB是sift的100倍，是surf的10倍。 关于性能： 下面是一个性能对比，ORB还是很给力。点击看大图。 参考Slides Related posts Android-opencv之CVCamera (1) 必威体育精装版版的OpenCV中新增加的ORB特征的使用 分类： Opencv学习C++2011-11-30 12:1511612人阅读评论(16)收藏举报 floatimagedistancevectorobjectless 看到OpenCV2.3.1里面ORB特征提取算法也在里面了，套用给的SURF特征例子程序改为ORB 特征一直提示错误，类型不匹配神马的，由于没有找到示例程序，只能自己找答案。 （ORB特征论文：ORB： an efficient alternative to SIFT or SURF点. 击下载论文） 经过查找发现： 描述符数据类型有是float的，比如说SIFT，SURF描述符，还有是uchar的，比如说有 ORB，BRIEF 对于float 匹配方式有： FlannBased BruteForceL2float BruteForceSL2float BruteForceL1float 对于uchar有： BruteForceHammin BruteForceHammingLUT BruteForceMatcher L2float matcher;//改动的地方 完