ORB特征学习报告资料.pptx

ORB特征初级学习报告 2017/8/11 大纲 基本概念 特征点检测 特征点描述 特征点匹配 和SIFT与SURF特征点检测的比较 2017/8/11 2 基本概念 ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。 2017/8/11 3 Orb特征检测流程 2017/8/11 4 Fast特征检测+高斯金字塔（解决尺度不变性） Brief算法+灰度质心法（解决旋转不变性） 灰度质心法假设角点的灰度与质心之间存在一个偏移， 这个向量可以用于表示一个方向。对于任意一个特征 点pq来说，我们定义pq的邻域像素的矩为： 其中I(x,y)为点(x,y)处的灰度值。那么我们可以 得到图像的质心为： 特征点检测  ORB采用FAST（features from accelerated segment test） 算法来检测特征点。并在它们原来的基础上做了改进 与优化。 2017/8/11 5 Harris角点检测 角点：最直观的印象就是在水平、竖直两个方向上变化均较大的点，即Ix、Iy都较大 Harris角点检测过程中采用非极大值抑制算法去除中间的一些重合的角点 2017/8/11 6 ORB特征点描述 BRIEF算法的核心思想是在关键点P的周围以一定模式选取N个点对，把这N个点对的比较结果组合起来作为描述子 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主要解决BRIEF描述子不具备旋转不变性的问题 2017/8/11 7 Brief算法 2017/8/11 8 得到特征点后我们需要以某种方式描述这些特征点的属性。这些属性的输出我们称之为该特征点的描述子，采用BRIEF算法来计算一个特征点的描述子。 BRIEF算法步骤： 1.以关键点P为圆心，以d为半径做圆O。 2.在圆O内某一模式选取N个点对。这里为方便说明，N=4，实际应用中N可以取512. 假设当前选取的4个点对如右图所示分别标记为：         3.操作定义T 其中IA为A点处的灰度 4.分别对已选取的点对进行T操作，将得到的结果进行组合。 例如 则最终的描述子为：1011 特征点匹配 2017/8/11 9 例如特征点A、B的描述子如下。 AB我们设定一个阈值，比如80%。当A和B的描述子的相似度大于80%时，我们判断A,B是相同的特征点，即这2个点匹配成功。在这个例子中A,B只有最后一位不同，相似度为87.5%，大于80%。则A和B是匹配的。 我们将A和B进行异或操作就可以轻松计算出A和B的相似度。而异或操作可以借组硬件完成，具有很高的效率，加快了匹配的速度。 和SIFT与SURF特征点检测的比较 在特征点描述的细致程度上是SIFT算法高于SURF算法,SURF算法高于ORB算法，但是在计算速度上来说是ORBSURFSIFT。 因此，在选择特征提取方法的时候要根据实际应用情况来选择:3D建模等对时间要求不是很严格的应用，可以选择SIFT。但是当应用场合是在线的实时监测，就要选择比较快速的SURF或ORB，另外在特征点匹配时候优秀的搜索算法也是提高速度的关键。 2017/8/11 10