Ethan Rublee等人2011年在《ORB：An Efficient Alternative to SIFT or SURF》文章中提出了ORB演算法。結合Fast與Brief演算法，並給Fast特徵點增加了方向性，使得特徵點具有旋轉不變性，並提出了構造金字塔方法，解決尺度不變性，但文章中沒有具體詳述。實驗證明，ORB遠優於之前的SIFT與SURF演算法。

-------------------------------------------------------------------------------------------------------------------------------

論文核心內容概述：

1.構造金字塔，在每層金字塔上採用Fast演算法提取特徵點，採用Harris角點響應函式，按角點響應值排序，選取前N個特徵點。

2. oFast:計算每個特徵點的主方向，灰度質心法，計算特徵點半徑為r的圓形鄰域範圍內的灰度質心位置。從中心位置到質心位置的向量，定義為該特 徵點的主方向。

  定義矩的計算公式，x,y∈[-r,r]：

                                 

             質心位置：

                               

               主方向：

                                  

3.rBrief:為了解決旋轉不變性，把特徵點的Patch旋轉到主方向上(steered Brief)。通過實驗得到，描述子在各個維度上的均值比較離散(偏離0.5)，同時維度間相關性很強，說明特徵點描述子區分性不好，影響匹配的效果。論文中提出採取學習的方法，採用300K個訓練樣本點。每一個特徵點，選取Patch大小為wp=31，Patch內每對點都採用wt=5大小的子視窗灰度均值做比較，子視窗的個數即為N=(wp-wt)*(wp-wt),從N個視窗中隨機選兩個做比較即構成描述子的一個bit,論文中採用M=205590種可能的情況：

       ---------------------------------------------------------------------------------

        1.對所有樣本點，做M種測試，構成M維的描述子，每個維度上非1即0；

        2.按均值對M個維度排序（以0.5為中心），組成向量T；

        3.貪婪搜尋：把向量T中第一個元素移動到R中，然後繼續取T的第二個元素，與R中的所有元素做相關性比較，如果相關性大於指定的閾值Threshold,           拋棄T的這個元素，否則加入到R中；

        4.重複第3個步驟，直到R中有256個元素，若檢測完畢,少於256個元素，則降低閾值，重複上述步驟；

       ----------------------------------------------------------------------------------

rBrief:通過上面的步驟取到的256對點，構成的描述子各維度間相關性很低，區分性好；

                                        

                                              訓練前                                            訓練後

---------------------------------------------------------------------------------------------------------------------------------

ORB演算法步驟,參考opencv原始碼:

1.首先構造尺度金字塔；

   金字塔共n層，與SIFT不同，每層僅有一副影象；

   第s層的尺度為，Fator初始尺度(預設為1.2)，原圖在第0層；

   第s層影象大小:

                              ；

2.在不同尺度上採用Fast檢測特徵點；在每一層上按公式計算需要提取的特徵點數n,在本層上按Fast角點響應值排序，提取前2n個特徵點，然後根據Harris   角點響應值排序， 取前n個特徵點，作為本層的特徵點；

3.計算每個特徵點的主方向（質心法）；

4.旋轉每個特徵點的Patch到主方向，採用上述步驟3的選取的最優的256對特徵點做τ測試，構成256維描述子，佔32個位元組；

                   ,,n=256

4.採用漢明距離做特徵點匹配；

----------OpenCV原始碼解析-------------------------------------------------------

ORB類定義：位置..\features2d.hpp

nfeatures:需要的特徵點總數；

scaleFactor:尺度因子；

nlevels:金字塔層數；

edgeThreshold:邊界閾值；

firstLevel:起始層；

 WTA_K：描述子形成方法,WTA_K=2表示，採用兩兩比較；

 scoreType:角點響應函式，可以選擇Harris或者Fast的方法；

 patchSize:特徵點鄰域大小；

[cpp] view plain copy  print?

1. /*! 
2.  ORB implementation. 
3. */
4. class CV_EXPORTS_W ORB : public Feature2D  
5. {  
6. public:  
7.     // the size of the signature in bytes
8.     enum { kBytes = 32, HARRIS_SCORE=0, FAST_SCORE=1 };  
9.     CV_WRAP explicit ORB(int nfeatures = 500, float scaleFactor = 1.2f, int nlevels = 8, int edgeThreshold = 31,//建構函式
10.         int firstLevel = 0, int WTA_K=2, int scoreType=ORB::HARRIS_SCORE, int patchSize=31 );  
11.     // returns the descriptor size in bytes
12.     int descriptorSize() const;   //描述子佔用的位元組數，預設32位元組
13.     // returns the descriptor type
14.     int descriptorType() const;//描述子型別，8位整形數
15.     // Compute the ORB features and descriptors on an image
16.     void operator()(InputArray image, InputArray mask, vector<KeyPoint>& keypoints) const;  
17.     // Compute the ORB features and descriptors on an image
18.     void operator()( InputArray image, InputArray mask, vector<KeyPoint>& keypoints,    //提取特徵點與形成描述子
19.                      OutputArray descriptors, bool useProvidedKeypoints=false ) const;  
20.     AlgorithmInfo* info() const;  
21. protected:  
22.     void computeImpl( const Mat& image, vector<KeyPoint>& keypoints, Mat& descriptors ) const;//計算描述子
23.     void detectImpl( const Mat& image, vector<KeyPoint>& keypoints, const Mat& mask=Mat() ) const;//檢測特徵點
24.     CV_PROP_RW int nfeatures;//特徵點總數
25.     CV_PROP_RW double scaleFactor;//尺度因子
26.     CV_PROP_RW int nlevels;//金字塔內層數
27.     CV_PROP_RW int edgeThreshold;//邊界閾值
28.     CV_PROP_RW int firstLevel;//開始層數
29.     CV_PROP_RW int WTA_K;//描述子形成方法，預設WTA_K=2，兩兩比較
30.     CV_PROP_RW int scoreType;//角點響應函式
31.     CV_PROP_RW int patchSize;//鄰域Patch大小
32. };  

特徵提取及形成描述子：通過這個函式對影象提取Fast特徵點或者計算特徵描述子

_image:輸入影象；

_mask:掩碼影象;

_keypoints:輸入角點；

_descriptors:如果為空，只尋找特徵點，不計算特徵描述子；

_useProvidedKeypoints:如果為true,函式只計算特徵描述子；

[cpp] view plain copy  print?

1. /** Compute the ORB features and descriptors on an image 
2.  * @param img the image to compute the features and descriptors on 
3.  * @param mask the mask to apply 
4.  * @param keypoints the resulting keypoints 
5.  * @param descriptors the resulting descriptors 
6.  * @param do_keypoints if true, the keypoints are computed, otherwise used as an input 
7.  * @param do_descriptors if true, also computes the descriptors 
8.  */
9. void ORB::operator()( InputArray _image, InputArray _mask, vector<KeyPoint>& _keypoints,  
10.                       OutputArray _descriptors, bool useProvidedKeypoints) const
11. {  
12.     CV_Assert(patchSize >= 2);  
13.     bool do_keypoints = !useProvidedKeypoints;  
14.     bool do_descriptors = _descriptors.needed();  
15.     if( (!do_keypoints && !do_descriptors) || _image.empty() )  
16.         return;  
17.     //ROI handling
18.     constint HARRIS_BLOCK_SIZE = 9;//Harris角點響應需要的邊界大小
19.     int halfPatchSize = patchSize / 2;.//鄰域半徑
20.     int border = std::max(edgeThreshold, std::max(halfPatchSize, HARRIS_BLOCK_SIZE/2))+1;//採用最大的邊界
21.     Mat image = _image.getMat(), mask = _mask.getMat();  
22.     if( image.type() != CV_8UC1 )  
23.         cvtColor(_image, image, CV_BGR2GRAY);//轉灰度圖
24.     int levelsNum = this->nlevels;//金字塔層數
25.     if( !do_keypoints )   //不做特徵點檢測
26.     {  
27.         // if we have pre-computed keypoints, they may use more levels than it is set in parameters
28.         // !!!TODO!!! implement more correct method, independent from the used keypoint detector.
29.         // Namely, the detector should provide correct size of each keypoint. Based on the keypoint size
30.         // and the algorithm used (i.e. BRIEF, running on 31x31 patches) we should compute the approximate
31.         // scale-factor that we need to apply. Then we should cluster all the computed scale-factors and
32.         // for each cluster compute the corresponding image.
33. 相關推薦

    ORB原理與Opencv原始碼解析

       Ethan Rublee等人2011年在《ORB：An Efficient Alternative to SIFT or SURF》文章中提出了ORB演算法。結合Fast與Brief演算法，並給Fast特徵點增加了方向性，使得特徵點具有旋轉不變性，並提出了構造金字塔方法，解決尺度不變性，但文章中

    【特徵匹配】ORB原理與原始碼解析

    相關 : CSDN-勿在浮沙築高臺   為了滿足實時性的要求，前面文章中介紹過快速提取特徵點演算法Fast,以及特徵描述子Brief。本篇文章介紹的ORB演算法結合了Fast和Brief的速度優勢，並做了改進，且ORB是免費。 Ethan Rublee等人2011年

    HOG原理與OpenCV實現

    方向梯度直方圖（Histogram of Oriented Gradient, HOG）於2005年提出，是一種常用的特徵提取方法，HOG+SVM在行人檢測中有著優異的效果。 HOG特徵提取演算法原理 在一幅影象中，梯度或邊緣的方向密度分佈能夠很好地描述區域性目標區域

    springmvc工作原理（無原始碼解析）

    前言 對springmvc的工作方式一直有一些興趣，查閱了一些五花八門的資料，自己也嘗試著去看原始碼，但無奈原始碼太長，時間價效比太低，遂簡述基本的工作方式，如有錯誤，歡迎指出 SpringMvc工作原理圖 各元件功能： HandleMapping：根據URI

    springmvc工作原理（無原始碼解析)

    前言 對springmvc的工作方式一直有一些興趣，查閱了一些五花八門的資料，自己也嘗試著去看原始碼，但無奈原始碼太長，時間價效比太低，遂簡述基本的工作方式，如有錯誤，歡迎指出 SpringMvc工作原理圖 各元件功能： HandleMapping：根據URI

    OpenCV原始碼解析：目標檢測trainCascade演算法剖析之LBP基礎

    目標檢測，也叫目標提取，是一種基於目標幾何和統計特徵的影象分割。用級聯分類器實現目標檢測在AI人工智慧識別中應用十分廣泛。 正樣本的選取原則 正樣本的尺寸不是必須一致的，從原始碼可以看到，這個是可以在輸入圖片檔案的尺寸時設定大小從而實現在CreateSamples中進

    registerReceiver 動態註冊與 sendBroadcast 原始碼解析

        廣播的註冊分為動態註冊和靜態註冊，靜態註冊主要在開機後PackageManagerService 利用 AndroidManifest 掃描 安裝的apk 獲取AndroidManifest內註冊的 廣播 所以 忽略 靜態註冊。今天主要介紹 動態廣播的註冊。  

    7 二分搜尋樹的原理與Java原始碼實現

    1 折半查詢法 瞭解二叉查詢樹之前，先來看看折半查詢法,也叫二分查詢法 在一個有序的整數陣列中（假如是從小到大排序的），如果查詢某個元素，返回元素的索引。 如下： int[] arr = new int[]{1,3,4,6,8,9}; 在 arr 陣列中查詢6這個元素，查到返回對應的索引，沒有找到就返回-

    delayQueue原理理解之原始碼解析

    http://www.jianshu.com/p/e0bcc9eae0ae 內部結構 可重入鎖 用於根據delay時間排序的優先順序佇列 用於優化阻塞通知的執行緒元素leader 用於實現阻塞和通知的Condition物件 delayed和PriorityQueue 在

    Harris角點檢測原理與opencv（python）實現

    在學習時主要參考了1.http://blog.csdn.net/xiaowei_cqu/article/details/7805206和opencv-python官方的關於harris的文件（http://opencv-python-tutroals.readthedocs

    【直播預告】：Java Spring Boot開發實戰系列課程【第11講】：訊息中介軟體 RabbitMQ 與api原始碼解析

    內容概要：mq訊息中介軟體在高併發系統架構中扮演關鍵角色，阿里雙11高併發使用了mq技術。本次課程一起學習最新Java Spring Boot 2.0、RabbitMQ中介軟體的最新特性與實戰應用，同樣會分析核心api原始碼。主講人：徐雷（阿里雲棲特邀Java專家）直播時間：2019年1月8日 週二 今晚20

    Spring基於註解形式的 AOP的原理流程及原始碼解析（一）

    在Spring的配置類上添加註解@EnableAspectJAutoProxy: @Configuration @EnableAspectJAutoProxy(proxyTargetClass = true) public class MvcContextCo

    OpenCV原始碼解析之findContours

    說明：openCv的contours是分級的，其尋邊理論依據（方式）參考suzuki的論文《Topological structural analysis of digitized binary images by border following》。   Contour 的尋邊模

    OpenCV原始碼解析之在圖片中找四邊形－FindSquares

    這個FindSquares算是比較典型的綜合技能專案吧，用到的小技巧還不少，我們先看一下幾個函式吧， 函式static double angle的作用是求角度 根據餘弦定理： 在平面座標中 通過計算變換，最後可以得到： 嗯，函式中直接用了這個結果。 其餘函式的說明 1.函

    【OpenCV入門教程之七】 玩轉OpenCV原始碼：生成OpenCV工程解決方案與OpenCV原始碼編譯

    毛星雲，網路ID「淺墨」，90後，熱愛遊戲開發、遊戲引擎、計算機圖形、實時渲染等技術，就職於騰訊互娛。 微軟最有價值專家 著作《Windows遊戲程式設計之從零開始》、《OpenCV3程式設計入門》 碩士就讀於南京航空航天大學航天學院（2013級碩士研究生），已於2016年三月畢業。本科

    【特徵匹配】SIFT原理與C原始碼剖析

         SIFT的原理已經有很多大牛的部落格上做了解析，本文重點將以Rob Hess等人用C實現的程式碼做解析，結合程式碼SIFT原理會更容易理解。一些難理解點的用了☆標註。       歡迎大家批評指正！ 轉載請註明出處：http://blog.csdn.net/l

    Spring基於註解形式的 AOP的原理流程及原始碼解析（三）

    此篇部落格主要講解Spring如何驗證將要例項化的Bean是否應該被代理，生成代理物件的時機問題。 在第二篇部落格中，Spring對容器內所有的標識了@Aspect註解的的類的切面方法(標識了@Around, @Before, @After, @AfterRe

    週期性執行緒池與主要原始碼解析

    之前學習ThreadPool的使用以及原始碼剖析，並且從面試的角度去介紹知識點的解答。今天小強帶來週期性執行緒池的使用和重點原始碼剖析。 ScheduledThreadPoolExecutor ScheduledThreadPoolExecutor：用來處理延時任務或定時任務 定時執行緒池類的類結構圖

    OpenCV學習筆記（31）KAZE 演算法原理與原始碼分析（五）KAZE的原始碼優化及與SIFT的比較

      KAZE系列筆記： 1.  OpenCV學習筆記（27）KAZE 演算法原理與原始碼分析（一）非線性擴散濾波 2.  OpenCV學習筆記（28）KAZE 演算法原理與原始碼分析（二）非線性尺度空間構建 3.  Op

    OpenCV學習筆記（30）KAZE 演算法原理與原始碼分析（四）KAZE特徵的效能分析與比較

          KAZE系列筆記： 1.  OpenCV學習筆記（27）KAZE 演算法原理與原始碼分析（一）非線性擴散濾波 2.  OpenCV學習筆記（28）KAZE 演算法原理與原始碼分析（二）非線性尺度空間構