OpenCV2学习笔记（二十二）：ORB特征提取

        ORB(ORiented Brief)特征提取算法，其前身Brief，是由EPFL的Calonder在ECCV2010上提出了一种可以快速计算且表达方式为二进制编码的描述子，主要思路就是在特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。BRIEF最大的优点在于速度快，然而其缺点也相当明显，主要有以下几方面：

1. 不具有旋转不变性；
2. 不具有尺度不变性；
3. 对抗噪声性能差。

        ORB就是试图解决上述缺点中的1和3，即具有旋转不变性的同时具有较好的抗噪能力。运算速度方面，ORB算法是SIFT算法的100倍，是SURF算法的10倍。

        ORB算法解决旋转不变性问题的思想：

        ORB算法中采用了FAST作为特征点检测算子。在SIFT算法中，梯度直方图的把第一峰值的方向设置为特征点的主方向；如果次峰值的量度达到峰值的80%，则把第二个峰值的方向也设定为主方向，该算法相对更耗时。而在ORB的方案中，特征点的主方向是通过矩（moment）计算得来。有了主方向之后，就可以依据该主方向提取Brief描述子。

        ORB算法解决对噪声敏感问题的方法：

        由于ORB算法不直接使用像素点与点之间进行比较，而是选择以该像素为中心的一个区域作为整一个比较对象，因此提高了抗噪声的能力。

        关于尺度不变性问题：

        ORB没有解决尺度不变性的问题（因为FAST本身就不具有尺度不变性）而且这类快速的特征描述子，通常都是应用在实时的视频处理中的，可以通过跟踪还有一些启发式的策略来解决尺度不变性的问题。

        相关论文下载：

Calonder M., Lepetit V., Strecha C., Fua P.: BRIEF:Binary Robust Independent Elementary Features. ECCV 2010

ORB： an efficient alternative to SIFT or SURF

        作为Brief的改进，ORB早在OpenCV 2.4.2版本就已经被实现出来了。在OpenCV中，ORB类继承自Feature2D类，另外有两个类：OrbFeatureDetector和OrbDescriptorExtractor，与ORB类是等价的。

        一个简单的实验：

        ORB特征提取与匹配结果（未筛选特征点）：

        ORB特征提取与匹配结果（已筛选特征点）：

        实验代码参照《OpenCV 3 编程入门》一书的例程编写。