【轉】ORB特徵提取算法

原文網址：http://blog.csdn.net/hujingshuang/article/details/46984411

簡介

        ORB的全稱是ORiented Brief，是文章ORB: an efficient alternative to SIFT or SURF中提出的一種新的角點檢測與特徵描述算法。實際上，ORB算法是將FAST角點檢測與BRIEF特徵描述結合並進行了改進。

ORB算法

        在上一篇文章《BRIEF特徵點描述算法》中，指出了BRIEF的優缺點，ORB算法就是針對BRIEF算法的缺點1、2提出來的。ORB算法分爲兩個部分：FAST特徵點檢測、BRIEF特徵描述。

FAST特徵檢測

        在文章《FAST特徵點檢測算法》中，詳細闡述了FAST算法。但該算法僅僅確定了特徵點的位置，沒有得到其他任何信息。在ORB算法中，依然採用FAST來檢測特徵點的位置，但算法進行了如下改動：（以FAST-9爲例）

1、假設在圖像中要提取N個特徵點，則降低FAST的閾值，使FAST算法檢測到的特徵點大於N；

2、在特徵點位置處，計算特徵點的Harris響應值R，取前N個響應值大的點作爲FAST特徵點（Harris角點響應計算：Harris角點檢測中的數學推導）；

3、由於要解決BRIEF算法的旋轉不變性，則需要計算特徵點的主方向。

ORB中利用重心來計算，如下（其中(x,y)是特徵鄰域內的點）：

atan2表示反正切，得到的θ值就是FAST特徵點的主方向。

BRIEF特徵描述

         在文章《BRIEF特徵點描述算法》種，闡述了BRIEF算法。該算法速度優勢相當明顯，但存在三個致命的缺點。針對尺度不變性，可以像SIFT算法一樣，子尺度空間構造圖像金字塔解決，此處不再說明。ORB算法主要解決前兩天缺點：噪聲敏感、旋轉不變性。

1、解決噪聲敏感問題

        BRIEF中，採用了9x9的高斯算子進行濾波，可以一定程度上解決噪聲敏感問題，但一個濾波顯然是不夠的。ORB中提出，利用積分圖像來解決：在31x31的窗口中，產生一對隨機點後，以隨機點爲中心，取5x5的子窗口，比較兩個子窗口內的像素和的大小進行二進制編碼，而非僅僅由兩個隨機點決定二進制編碼。（這一步可有積分圖像完成）

2、解決旋轉不變性

        利用FAST中求出的特徵點的主方向θ，對特徵點鄰域進行旋轉，Calonder建議先將每個塊旋轉後，再進行BRIEF描述子的提取，但這種方法代價較大。ORB算法採用的是：每一個特徵點處，對產生的256對隨機點（以256爲例），將其進行旋轉，後進行判別，再二進制編碼。如下：S表示隨機點位置（2xn的矩陣），Sθ表示旋轉後的隨機點的位置（2xn的矩陣），x1=(u1,v1)是一個座標向量，其餘雷同。n=256。

得到新的隨機點位置後，利用積分圖像進行二進制編碼，即可。

實驗

opencv代碼

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/legacy/legacy.hpp>
#include <iostream>
#include <vector>

using namespace cv;
using namespace std;
int main()
{
    Mat img_1 = imread("beaver1.png");
    Mat img_2 = imread("beaver2.png");
    if (!img_1.data || !img_2.data)
    {
        cout << "error reading images " << endl;
        return -1;
    }

    ORB orb;
    vector<KeyPoint> keyPoints_1, keyPoints_2;
    Mat descriptors_1, descriptors_2;

    orb(img_1, Mat(), keyPoints_1, descriptors_1);
    orb(img_2, Mat(), keyPoints_2, descriptors_2);

    BruteForceMatcher<HammingLUT> matcher;
    vector<DMatch> matches;
    matcher.match(descriptors_1, descriptors_2, matches);

    double max_dist = 0; double min_dist = 100;
    //-- Quick calculation of max and min distances between keypoints
    for( int i = 0; i < descriptors_1.rows; i++ )
    {
        double dist = matches[i].distance;
        if( dist < min_dist ) min_dist = dist;
        if( dist > max_dist ) max_dist = dist;
    }
    printf("-- Max dist : %f \n", max_dist );
    printf("-- Min dist : %f \n", min_dist );
    //-- Draw only "good" matches (i.e. whose distance is less than 0.6*max_dist )
    //-- PS.- radiusMatch can also be used here.
    std::vector< DMatch > good_matches;
    for( int i = 0; i < descriptors_1.rows; i++ )
    {
        if( matches[i].distance < 0.6*max_dist )
        {
            good_matches.push_back( matches[i]);
        }
    }

    Mat img_matches;
    drawMatches(img_1, keyPoints_1, img_2, keyPoints_2,
        good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),
        vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
    imshow( "Match", img_matches);
    cvWaitKey();
    return 0;
}

實驗結果

ORB源碼

在：..\opencv\sources\modules\features2d\src\orb.c中，請自行查看分析，這裏列出部分源碼：

static void//計算Harris角點響應
HarrisResponses(const Mat& img, vector<KeyPoint>& pts, int blockSize, float harris_k)
{
    CV_Assert( img.type() == CV_8UC1 && blockSize*blockSize <= 2048 );

    size_t ptidx, ptsize = pts.size();

    const uchar* ptr00 = img.ptr<uchar>();
    int step = (int)(img.step/img.elemSize1());
    int r = blockSize/2;

    float scale = (1 << 2) * blockSize * 255.0f;
    scale = 1.0f / scale;
    float scale_sq_sq = scale * scale * scale * scale;

    AutoBuffer<int> ofsbuf(blockSize*blockSize);
    int* ofs = ofsbuf;
    for( int i = 0; i < blockSize; i++ )
        for( int j = 0; j < blockSize; j++ )
            ofs[i*blockSize + j] = (int)(i*step + j);

    for( ptidx = 0; ptidx < ptsize; ptidx++ )
    {
        int x0 = cvRound(pts[ptidx].pt.x - r);
        int y0 = cvRound(pts[ptidx].pt.y - r);

        const uchar* ptr0 = ptr00 + y0*step + x0;
        int a = 0, b = 0, c = 0;

        for( int k = 0; k < blockSize*blockSize; k++ )
        {
            const uchar* ptr = ptr0 + ofs[k];
            int Ix = (ptr[1] - ptr[-1])*2 + (ptr[-step+1] - ptr[-step-1]) + (ptr[step+1] - ptr[step-1]);
            int Iy = (ptr[step] - ptr[-step])*2 + (ptr[step-1] - ptr[-step-1]) + (ptr[step+1] - ptr[-step+1]);
            a += Ix*Ix;
            b += Iy*Iy;
            c += Ix*Iy;
        }
        pts[ptidx].response = ((float)a * b - (float)c * c -
                               harris_k * ((float)a + b) * ((float)a + b))*scale_sq_sq;
    }
}

//計算FAST角點的主方向
static float IC_Angle(const Mat& image, const int half_k, Point2f pt,
                      const vector<int> & u_max)
{
    int m_01 = 0, m_10 = 0;

    const uchar* center = &image.at<uchar> (cvRound(pt.y), cvRound(pt.x));

    // Treat the center line differently, v=0
    for (int u = -half_k; u <= half_k; ++u)
        m_10 += u * center[u];

    // Go line by line in the circular patch
    int step = (int)image.step1();
    for (int v = 1; v <= half_k; ++v)
    {
        // Proceed over the two lines
        int v_sum = 0;
        int d = u_max[v];
        for (int u = -d; u <= d; ++u)
        {
            int val_plus = center[u + v*step], val_minus = center[u - v*step];
            v_sum += (val_plus - val_minus);
            m_10 += u * (val_plus + val_minus);
        }
        m_01 += v * v_sum;
    }

    return fastAtan2((float)m_01, (float)m_10);
}

#define GET_VALUE(idx) \
       (x = pattern[idx].x*a - pattern[idx].y*b, \ //計算旋轉後的位置
        y = pattern[idx].x*b + pattern[idx].y*a, \
        ix = cvRound(x), \
        iy = cvRound(y), \
        *(center + iy*step + ix) )

//判決，並二進制編碼
for (int i = 0; i < dsize; ++i, pattern += 16)
{
    int t0, t1, val;
    t0 = GET_VALUE(0); t1 = GET_VALUE(1);
    val = t0 < t1;
    t0 = GET_VALUE(2); t1 = GET_VALUE(3);
    val |= (t0 < t1) << 1;
    t0 = GET_VALUE(4); t1 = GET_VALUE(5);
    val |= (t0 < t1) << 2;
    t0 = GET_VALUE(6); t1 = GET_VALUE(7);
    val |= (t0 < t1) << 3;
    t0 = GET_VALUE(8); t1 = GET_VALUE(9);
    val |= (t0 < t1) << 4;
    t0 = GET_VALUE(10); t1 = GET_VALUE(11);
    val |= (t0 < t1) << 5;
    t0 = GET_VALUE(12); t1 = GET_VALUE(13);
    val |= (t0 < t1) << 6;
    t0 = GET_VALUE(14); t1 = GET_VALUE(15);
    val |= (t0 < t1) << 7;

    desc[i] = (uchar)val;
}

//產生512個隨機點的座標位置
static void makeRandomPattern(int patchSize, Point* pattern, int npoints)
{
    RNG rng(0x34985739); // we always start with a fixed seed,
                         // to make patterns the same on each run
    for( int i = 0; i < npoints; i++ )
    {
        pattern[i].x = rng.uniform(-patchSize/2, patchSize/2+1);
        pattern[i].y = rng.uniform(-patchSize/2, patchSize/2+1);
    }
}

總結

ORB算法利用了FAST檢測特徵點的快，BRIEF特徵描述子的簡單和快，二者結合並進行了改進，導致ORB算法的又好又快。

參考文獻

1、ORB: an efficient alternative to SIFT or SURF[J],IEEE International Conference on Computer Vision,2011.

2、基於ORB和改進RANSAC算法的圖像拼接技術[J],2015.

3、基於ORB特徵的目標檢測與跟蹤的研究[碩士論文],2013.

4、基於背景差分與ORB算法的運動目標檢測與跟蹤算法研究[碩士論文],2014.