本文爲原創文章，轉載請註明出處：http://blog.csdn.net/yang843061497/article/details/38553765
緒論
假如我有2張美女圖片，我想確認這2張圖片中美女是否是同一個人。這太簡單了，以我專研島國動作片錘鍊出來的火眼金睛只需輕輕掃過2張圖片就可以得出結論。但是，如果我想讓計算機來完成這個功能就困難重重了：再性感的美女在計算機眼中也只是0-1組成的數據而已。一種可行的方法是找出2張圖片中的特徵點，描述這些特徵點的屬性，然後比較這2副圖片的特徵點的屬性。如果有足夠多的特徵點具有相同的屬性，那麼就可以認爲2副圖片中的美女是同一個人。
下面我們來看看ORB算法如何完成這這個過程。
1.特徵點的檢測
圖像的特徵點可以簡單的理解爲圖像中比較顯著顯著的點，如輪廓點，較暗區域中的亮點，較亮區域中的暗點等。
原圖 輪廓線（可能的特徵點）
ORB採用FAST（features from accelerated segment test）算法來檢測特徵點。FAST核心思想就是找出那些卓爾不羣的點，即拿一個點跟它周圍的點比較，如果它和其中大部分的點都不一樣就可以認爲它是一個特徵點。
備註：每個小方格代表一個像素，方格內的顏色只是爲了便於區分，不代表該像素點的顏色。
FAST具體計算過程：
1. 從圖片中選取一個像素點P，下面我們將判斷它是否是一個特徵點。我們首先把它的密度（即灰度值）設爲Ip。
2. 設定一個合適的闕值t ：當2個點的灰度值之差的絕對值大於t時，我們認爲這2個點不相同。
3. 考慮該像素點周圍的16個像素。（見上圖）
4. 現在如果這16個點中有連續的n個點都和點不同，那麼它就是一個角點。 這裏n設定爲12。
5. 我們現在提出一個高效的測試，來快速排除一大部分非特徵點的點。該測試僅僅檢查在位置1、9、5和13四個位置的像素（首先檢查1和9，看它們是否和點相同。如果是，再檢查5和13）。如果是一個角點，那麼上述四個像素點中至少有3個應該和點相同。如果都不滿足，那麼不可能是一個角點。
圖中紅色的點爲使用FAST算法找到的特徵點。
2.特徵點的描述
2.1計算特徵描述子
得到特徵點後我們需要以某種方式F描述這些特徵點的屬性。這些屬性的輸出我們稱之爲該特徵點的描述子（Feature DescritorS）.ORB採用BRIEF算法來計算一個特徵點的描述子。BRIEF算法的核心思想是在關鍵點P的周圍以一定模式選取N個點對，把這N個點對的比較結果組合起來作爲描述子。
具體來講分爲以下幾步。
1.以關鍵點P爲圓心，以d爲半徑做圓O。
2.在圓O內某一模式選取N個點對。這裏爲方便說明，N=4，實際應用中N可以取512.
假設當前選取的4個點對如上圖所示分別標記爲：
3.定義操作T
4.分別對已選取的點對進行T操作，將得到的結果進行組合。
假如：
則最終的描述子爲：1011
2.2理想的特徵點描述子應該具備的屬性
在現實生活中，我們從不同的距離，不同的方向、角度，不同的光照條件下觀察一個物體時，物體的大小，形狀，明暗都會有所不同。但我們的大腦依然可以判斷它是同一件物體。理想的特徵描述子應該具備這些性質。即，在大小、方向、明暗不同的圖像中，同一特徵點應具有足夠相似的描述子，稱之爲描述子的可復現性。
當以某種理想的方式分別計算上圖中紅色點的描述子時，應該得出同樣的結果。即描述子應該對光照（亮度）不敏感，具備尺度一致性（大小 ），旋轉一致性（角度）等。
上面我們用BRIEF算法得到的描述子並不具備以上這些性質。因此我們得想辦法改進我們的算法。ORB並沒有解決尺度一致性問題，在OpenCV的ORB實現中採用了圖像金字塔來改善這方面的性能。ORB主要解決BRIEF描述子不具備旋轉不變性的問題。
回顧一下BRIEF描述子的計算過程：在當前關鍵點P周圍以一定模式選取N個點對，組合這N個點對的T操作的結果就爲最終的描述子。當我們選取點對的時候，是以當前關鍵點爲原點，以水平方向爲X軸，以垂直方向爲Y軸建立座標系。當圖片發生旋轉時，座標系不變，同樣的取點模式取出來的點卻不一樣，計算得到的描述子也不一樣，這是不符合我們要求的。因此我們需要重新建立座標系，使新的座標系可以跟隨圖片的旋轉而旋轉。這樣我們以相同的取點模式取出來的點將具有一致性。
打個比方，我有一個印章，上面刻着一些直線。用這個印章在一張圖片上蓋一個章子，圖片上分處直線2頭的點將被取出來。印章不變動的情況下，轉動下圖片，再蓋一個章子，但這次取出來的點對就和之前的不一樣。爲了使2次取出來的點一樣，我需要將章子也旋轉同一個角度再蓋章。（取點模式可以認爲是章子上直線的分佈情況）
ORB在計算BRIEF描述子時建立的座標系是以關鍵點爲圓心，以關鍵點和取點區域的形心的連線爲X軸建立2維座標系。
在圖1中，P爲關鍵點。圓內爲取點區域，每個小格子代表一個像素。現在我們把這塊圓心區域看做一塊木板，木板上每個點的質量等於其對應的像素值。根據積分學的知識我們可以求出這個密度不均勻木板的質心Q。計算公式如下。其中R爲圓的半徑。
我們知道圓心是固定的而且隨着物體的旋轉而旋轉。當我們以PQ作爲座標軸時（圖2），在不同的旋轉角度下，我們以同一取點模式取出來的點是一致的。這就解決了旋轉一致性的問題。
3.特徵點的匹配
ORB算法最大的特點就是計算速度快 。 這首先得益於使用FAST檢測特徵點，FAST的檢測速度正如它的名字一樣是出了名的快。再次是使用BRIEF算法計算描述子，該描述子特有的2進制串的表現形式不僅節約了存儲空間，而且大大縮短了匹配的時間。
例如特徵點A、B的描述子如下。
A：10101011
B：10101010
我們設定一個閾值，比如80%。當A和B的描述子的相似度大於90%時，我們判斷A,B是相同的特徵點，即這2個點匹配成功。在這個例子中A,B只有最後一位不同，相似度爲87.5%，大於80%。則A和B是匹配的。
我們將A和B進行異或操作就可以輕鬆計算出A和B的相似度。而異或操作可以借組硬件完成，具有很高的效率，加快了匹配的速度。
OpenCV中ORB算法的匹配結果
總結:
本文只對ORB算法核心思想做一個解讀。在具體的實現中還涉及到很多的細節及優化問題。瞭解更多的細節請參考下面一些資料。
http://download.csdn.net/detail/yang843061497/7785917
http://www.cvchina.info/2011/07/04/whats-orb/
http://blog.sina.com.cn/s/blog_916b71bb0100w9al.html
原文地址：