ORB特征

最新推荐文章于 2025-06-09 13:26:27 发布

原创

最新推荐文章于 2025-06-09 13:26:27 发布 · 8.8k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#orb #slam #描述子

本文深入探讨ORB特征，包括oFAST检测的尺度和旋转不变性，以及rBRIEF描述子的生成原理和改进。oFAST通过尺度因子和金字塔实现尺度不变性，采用灰度质心方法实现旋转不变。rBRIEF在BRIEF基础上加入旋转因素，以提高旋转不变性和描述子的区分性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文大部分内容来自ORB特征提取详解，在此基础上加上自己对原论文的理解。

ORB（Oriented FAST and Rotated BRIEF）是一种快速提取特征点和描述子的算法。其特征检测基于FAST，采用BRIEF描述子并加以改进。基于《ORB： an efficient alternative to SIFT or SURF》

1.尺度和旋转不变性的oFAST检测

1.1Fast经典方式提取角点（不具有旋转无关、尺度无关）

第一步，参考文章SIFT角点简介；
第二步：对提取出来的特征点进行Harris特征点检测，检测时设立低阈值，以获得多于N个的fast特征点。
并按照harris的代价函数排序得到最终需要的N个特征值。

1.2尺度无关性

设置一个比例因子scaleFactor（opencv默认为1.2）和金字塔的层数nlevels（pencv默认为8）。将原图像按比例因子缩小成nlevels幅图像。缩放后的图像为：I’= I/scaleFactork(k=1,2,…, nlevels)。nlevels幅不同比例的图像提取特征点总和作为这幅图像的oFAST特征点。

1.3旋转不变性

实现旋转无关性需要为每个特征带一个旋转方向信息。常用的有MAX和BIN的方法，以及ORB的灰度质心方法

BIN:

SIFT中的旋转性是检测特征点邻域内所有像素点的梯度，并构成一个梯度方向直方图（10个或8个柱的直方图），选择最大的柱所对应的梯度范围作为这个特征的主方向。此外还有

MAX

选择特征点邻域内值最大的梯度所对应的方向作为主方向。其效果要比BIN方法稍差。

灰度质心

ORB算法提出使用h灰度质心（intensity centroid） $^{[2}]$ 来确定FAST特征点的方向。通过计算一个矩来计算特征点以r为半径范围内的质心，特征点坐标到质心形成一个向量作为该特征点的方向。
一个图像块（比如5x5的图像块中），对应的2x2的矩的元素表达为：
这里写图片描述
而该图像窗口的质心就是：

那么整个窗口的旋转为：

其中