OpenCV系列之ORB(面向快速和旋轉的BRIEF) | 四十三

目標
在本章中，

• 咱們將瞭解ORB的基礎知識

理論
做爲OpenCV的狂熱者，關於ORB的最重要的事情是它來自「 OpenCV Labs」。該算法由Ethan Rublee，Vincent Rabaud，Kurt Konolige和Gary R. Bradski在其論文《ORB：SIFT或SURF的有效替代方案》中提出。2011年，正如標題所述，它是計算中SIFT和SURF的良好替代方案成本，匹配性能以及主要是專利。是的，SIFT和SURF已得到專利，你應該爲其使用付費。可是ORB不是！！！

ORB基本上是FAST關鍵點檢測器和Brief描述符的融合，並進行了許多修改以加強性能。首先，它使用FAST查找關鍵點，而後應用Harris角測度在其中找到前N個點。它還使用金字塔生成多尺度特徵。可是一個問題是，FAST沒法計算方向。那麼旋轉不變性呢？做者提出如下修改。

它計算角點位於中心的貼片的強度加權質心。今後角點到質心的矢量方向肯定了方向。爲了改善旋轉不變性，使用x和y計算矩，它們應該在半徑r的圓形區域中，其中r是斑塊的大小。

如今，對於描述符，ORB使用Brief描述符。可是咱們已經看到，BRIEF的旋轉性能不好。所以，ORB所作的就是根據關鍵點的方向「引導」 BRIEF。對於位置圖片上n個二進制測試的任何特徵集，定義一個2×n矩陣S，其中包含這些像素的座標。而後使用面片的方向θ，找到其旋轉矩陣並旋轉S以得到轉向（旋轉）版本圖片,

ORB將角度離散化爲圖片（12度）的增量，並構造了預先計算的Brief模式的查找表。只要關鍵點方向θ在各個視圖中一致，就將使用正確的點集來計算其描述符。

BRIEF具備一個重要的特性，即每一個位特徵具備較大的方差，且均值接近0.5。可是，一旦沿關鍵點方向定向，它就會失去此屬性，變得更加分散。高方差使功能更具區分性，由於它對輸入的響應不一樣。另外一個理想的特性是使測試不相關，由於從那時起每一個測試都會對結果有所貢獻。爲了解決全部這些問題，ORB在全部可能的二進制測試中進行貪婪搜索，以找到方差高且均值接近0.5且不相關的測試。結果稱爲rBRIEF。

對於描述符匹配，使用了對傳統LSH進行改進的多探針LSH。該論文說，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設備中，ORB是一個不錯的選擇。

OpenCV中的ORB
與往常同樣，咱們必須使用函數cv.ORB()或使用feature2d通用接口來建立ORB對象。它具備許多可選參數。最有用的是nFeatures，它表示要保留的最大特徵數（默認爲500），scoreType表示是對特徵進行排名的Harris分數仍是FAST分數（默認爲Harris分數）等。另外一個參數WTA_K決定點數產生定向的BRIEF描述符的每一個元素。默認狀況下爲兩個，即一次選擇兩個點。在這種狀況下，爲了匹配，將使用NORM_HAMMING距離。若是WTA_K爲3或4，則須要3或4個點來生成Brief描述符，則匹配距離由NORM_HAMMING2定義。
下面是顯示ORB用法的簡單代碼。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('simple.jpg',0)
# 初始化ORB檢測器
orb = cv.ORB_create()
# 用ORB尋找關鍵點
kp = orb.detect(img,None)
# 用ORB計算描述符
kp, des = orb.compute(img, kp)
# 僅繪製關鍵點的位置，而不繪製大小和方向
img2 = cv.drawKeypoints(img, kp, None, color=(0,255,0), flags=0)
plt.imshow(img2), plt.show()

查看如下結果：

ORB特徵匹配，咱們將在另外一章中進行。

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