ORB detector 使用 FAST detector 和 BRIEF descriptor 基本思路。在介紹 ORB 之前，首先對 FAST 與 BRIEF 進行說明。

1 FAST

FAST(Featrues from Accelerated Segment Test)，其基本思想是比較當前點與周邊點差異，當週邊有連續不少於一半的點均比中間點亮或者暗，則認為該點為一個特徵點。其中，亮或暗的定義為：

1）當時，周邊點比中間點亮；

2）當時，周邊點比中間點暗；

3）當時，周邊點與中間點相似；

使用以上定義，可以迅速找到影象中候選特徵點。

由於需要滿足不少於一半的連續周邊點亮於或暗於中間點，可以首先檢測水平與垂直方向上四個點，當少於兩個連續點滿足條件，則該點一定不是候選特徵點。如此可以提升計算效率。

當完成候選特徵點掃描後，會發現存在許多臨近特徵點，可以使用如下評分進行非極大值抑制：

；

以上即為 FAST 的基本思想，opencv 實現在 cv::FastFeatureDetector 中，引數threshold 定義了亮或暗，nonmaxSuppression 確定是否排除臨近點。

2 BRIEF

BRIEF 對特徵點生成描述特徵向量。在 SIFT 與 SURF 中均使用了塊特徵描述方案，使用不同小塊的方向梯度直方圖構成特徵向量。BRIEF 使用點特徵描述特徵點，基本思想為：

1）在特徵點區域內隨機生成 N 個點對，這N個點對生成方式有很多種，但一旦生成，對於所有特徵點描述均使用相同的點對模式；

2）由於需要對孤立點進行比較，所以首先平滑影象以抑制噪聲；

3）構造 N 位向量，第 k 個點對生成第 k 位向量，當點對中前一個點大於後一個點，其值為 1，反之為 0；

opencv 實現在cv::BriefDescriptorExtractor 中，引數 bytes 確定特徵點描述向量長度為 bytes * 8。

結合 FAST 與 BRIEF，可以實現類似 SIFT 與 SURF 的功能，以下給出簡單使用程式碼：

 1 cv::FastFeatureDetector detector(20);
 2 std::vector<cv::KeyPoint> keypoints1, keypoints2;
 
 3 detector.detect(img1, keypoints1);
 4 detector.detect(img2, keypoints2);
 5 
 6 cv::BriefDescriptorExtractor brief;
 7 cv::Mat descriptors1, descriptors2;
 8 brief.compute(img1, keypoints1, descriptors1);
 9 brief.compute(img2, keypoints2, descriptors2);
10 
11 // 不同於SIFT與SURF，這裡使用漢明距離
12 cv::BFMatcher matcher(cv::NORM_HAMMING);
13 std::vector<DMatch> matches;
14 matcher.match(descriptors1, descriptors2, matches);

其匹配結果如下：

3 ORB

ORB 主要思想如下：

1）使用 FAST 提取候選特徵點；

2）為了克服 FAST 可能產生的邊緣響應，使用 Harris corner measure 保留角點響應，剔除邊緣響應（邊緣響應不利於匹配）；

3）按以上方法在不同層級影象金字塔上搜索候選特徵點；

4）使用歸一化影象描述特徵點方向；

5）使用特徵點方向生成 BRIEF 特徵點描述向量；

6）使用漢明距離計算特徵點之間相似度；

opencv 提供 cv::ORB 實現特徵點提取與描述，其建構函式引數如下：

nfeatures 表示需要提取的特徵點數量；

scaleFactor，nlevels 為影象金字塔引數；

firstLevel 表示從第幾層開始搜尋特徵點，一般為 0；

patchSize 確定特徵點尺寸，edgeThreshold 應不小於patchSize，該引數忽略邊界特徵點；

scoreType 確定使用 FAST 評分機制或者 Harris corner 評分機制；

WTA_K 控制比較點個數，當為 2 時，即為 FAST 對點對比較方式；

以下給出簡單使用程式碼：

 1 cv::Mat img1 = cv::imread("a.bmp", cv::IMREAD_GRAYSCALE);
 2 cv::Mat img2 = cv::imread("b.bmp", cv::IMREAD_GRAYSCALE);
 3 
 4 std::vector<cv::KeyPoint> keypoints1, keypoints2;
 5 cv::Mat descriptors1, descriptors2;
 6 
 7 cv::ORB orb(100, 1.5, 4);
 8 orb.operator()(img1, cv::noArray(), keypoints1, descriptors1);
 9     orb.operator()(img2, cv::noArray(), keypoints2, descriptors2);
10 
11 cv::BFMatcher matcher(cv::NORM_HAMMING);
12 std::vector<DMatch> matches;
13 matcher.match(descriptors1, descriptors2, matches);
14 
15 cv::Mat img_matches;
16 cv::drawMatches(img1, keypoints1, img2, keypoints2, matches, img_matches);
17 cv::imwrite("c.jpg", img_matches);
18 
19 double min_dist = 100;
20 
21 for (int i = 0; i < matches.size(); i++)
22 {
23     double dist = matches[i].distance;
24     if (dist < min_dist) min_dist = dist;
25         
26 }
27 
28 // Draw only "good" matches (i.e. whose distance is less than 2*min_dist,
29 // or a small arbitary value ( 0.02 ) 
30 std::vector< DMatch > good_matches;
31 
32 for (int i = 0; i < matches.size(); i++)
33 {
34     if (matches[i].distance <= max(2 * min_dist, 0.02))
35     {
36         good_matches.push_back(matches[i]);
37     }
38 }
39 
40 cv::drawMatches(img1, keypoints1, img2, keypoints2, good_matches, img_matches);
41 cv::imwrite("d.jpg", img_matches)

其匹配結果如下：

參考資料Learning OpenCV 3 Adrian Kaehler & Gary Bradski