ORB特徵 = Fast+描述子，Fast判斷該點是不是特徵點，描述子計算該特徵點的方向信息。
1 Fast角點
（1）Fast規則
如下圖，遍歷每個像素點，檢測在像素點附近的圓形窗口上的16個像素的灰度，如果有n個連續點都比中心像素的灰度大或者小的話，這樣的中心點就是FAST角點。n可以是12或者9。
（2）非極大值已知剔除接近點
算法很可能檢測出的角點彼此相鄰，所以提出了使用非極大值抑制算法來去除一部分的相鄰角點，思路是 爲每一個檢測到的角點計算它的響應大小（score function）。響應定義爲中心點和它周圍16個像素點的絕對偏差的和。比較兩個相鄰的角點響應值。值較低的角點將會被刪除。
2 特徵點描述子
（1）計算特徵點灰度質心
計算當前圖像塊內的灰度總和：
計算x方向上像素加權和：
計算y方向上像素加權和：
灰度質心座標爲
定義方向：
可以理解成密度不同的規則立體，灰度質心類似該立體的質心，方向類似該立體形心與質心連線矢量方向。
（2）生成描述子
BRIEF是在一個特徵點的鄰域選擇n對像素點(p,q)，比較其灰度值大小，如果I(p)>I(q)，則令其對應的值爲1，否則爲0，這樣對n對像素比較之後，就形成一個長度爲n的二進制向量。一般一般n取128、256或512，opencv默認爲256。
第（1）步計算出了該特徵點的方向，以該方向爲y軸，順時針垂直方向構建x軸，在該座標系下選取n對匹配點。
注意：BRIEF原文作者提出了五種方法選擇點對，但是ORBSLAM採用統計學習的方法選擇點對集合，並且實際應用過程中ORB_SLAM已經訓練好了。直接按照這種方法去計算獲得256個點對就好。直接可以計算256維的描述子了。
訓練方法如下：（只應用的話不用考慮）
首先建立300k個特徵點測試集。對於測試集中的每個點，考慮其31x31鄰域。這裏不同於原始BRIEF算法的地方是，這裏在對圖像進行高斯平滑之後，使用鄰域中的某個點的5x5鄰域灰度平均值來代替某個點對的值，進而比較點對的大小。這樣特徵值更加具備抗噪性。另外可以使用積分圖像加快求取5x5鄰域灰度平均值的速度。
從上面可知，在31x31的鄰域內共有(31-5+1)x(31-5+1)=729個這樣的子窗口，那麼取點對的方法共有M=265356種，我們就要在這Ｍ種方法中選取256種取法，選擇的原則是這256種取法之間的相關性最小。怎麼選取呢？
1）在300k特徵點的每個31x31鄰域內按M種方法取點對，比較點對大小，形成一個300kxM的二進制矩陣Q。矩陣的每一列代表300k個點按某種取法得到的二進制數。
2）對Q矩陣的每一列求取平均值，按照平均值到0.5的距離大小重新對Q矩陣的列向量排序，形成矩陣T。
3）將T的第一列向量放到R中。
4）取T的下一列向量和R中的所有列向量計算相關性，如果相關係數小於設定的閾值，則將T中的該列向量移至R中。
5）按照4）的方式不斷進行操作，直到R中的向量數量爲256。
通過這種方法就選取了這256種取點對的方法。這就是rBRIEF算法。