ORB原理与源码解析

转载： http://blog.csdn.net/luoshixian099/article/details/48523267

CSDN-勿在浮沙筑高台

没有时间重新复制代码，只能一股脑的复制，所以代码效果不好。。。。。。

　　 为了满足实时性的要求，前面文章中介绍过快速提取特征点算法Fast,以及特征描述子Brief。本篇文章介绍的ORB算法结合了Fast和Brief的速度优势，并做了改进，且ORB是免费。

Ethan Rublee等人2011年在《ORB：An Efficient Alternative to SIFT or SURF》文章中提出了ORB算法。结合Fast与Brief算法，并给Fast特征点增加了方向性，使得特征点具有旋转不变性，并提出了构造金字塔方法，解决尺度不变性，但文章中没有具体详述。实验证明，ORB远优于之前的SIFT与SURF算法。

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

论文核心内容概述：

1.构造金字塔，在每层金字塔上采用Fast算法提取特征点，采用Harris角点响应函数，按角点响应值排序，选取前N个特征点。

2. oFast:计算每个特征点的主方向，灰度质心法，计算特征点半径为r的圆形邻域范围内的灰度质心位置。从中心位置到质心位置的向量，定义为该特 征点的主方向。

定义矩的计算公式，x,y∈[-r,r]：

质心位置：

主方向：

3.rBrief:为了解决旋转不变性，把特征点的Patch旋转到主方向上(steered

Brief)。通过实验得到，描述子在各个维度上的均值比较离散(偏离0.5)，同时维度间相关性很强，说明特征点描述子区分性不好，影响匹配的效果。论文中提出采取学习的方法，采用300K个训练样本点。每一个特征点，选取Patch大小为wp=31，Patch内每对点都采用wt=5大小的子窗口灰度均值做比较，子窗口的个数即为N=(wp-wt)*(wp-wt),从N个窗口中随机选两个做比较即构成描述子的一个bit,论文中采用M=205590种可能的情况：

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

1.对所有样本点，做M种测试，构成M维的描述子，每个维度上非1即0；

2.按均值对M个维度排序（以0.5为中心），组成向量T；

3.贪婪搜索：把向量T中第一个元素移动到R中，然后继续取T的第二个元素，与R中的所有元素做相关性比较，如果相关性大于指定的阈值Threshold,           抛弃T的这个元素，否则加入到R中；

4.重复第3个步骤，直到R中有256个元素，若检测完毕,少于256个元素，则降低阈值，重复上述步骤；

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

rBrief:通过上面的步骤取到的256对点，构成的描述子各维度间相关性很低，区分性好；

           

训练前                                            训练后

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

ORB算法步骤,参考opencv源码:

1.首先构造尺度金字塔；

金字塔共n层，与SIFT不同，每层仅有一副图像；

第s层的尺度为，Fator初始尺度(默认为1.2)，原图在第0层；

第s层图像大小:

；

2.在不同尺度上采用Fast检测特征点；在每一层上按公式计算需要提取的特征点数n,在本层上按Fast角点响应值排序，提取前2n个特征点，然后根据Harris   角点响应值排序， 取前n个特征点，作为本层的特征点；

3.计算每个特征点的主方向（质心法）；

4.旋转每个特征点的Patch到主方向，采用上述步骤3的选取的最优的256对特征点做τ测试，构成256维描述子，占32个字节；

,,n=256

4.采用汉明距离做特征点匹配；

----------OpenCV源码解析-------------------------------------------------------

ORB类定义：位置..\features2d.hpp

nfeatures:需要的特征点总数；

scaleFactor:尺度因子；

nlevels:金字塔层数；

edgeThreshold:边界阈值；

firstLevel:起始层；

WTA_K：描述子形成方法,WTA_K=2表示，采用两两比较；

scoreType:角点响应函数，可以选择Harris或者Fast的方法；

patchSize:特征点邻域大小；

[cpp] 

/*!

• CV_EXPORTS_W ORB :  Feature2D
• {
• :
• { kBytes = 32, HARRIS_SCORE=0, FAST_SCORE=1 };
• CV_WRAP  ORB( nfeatures = 500,  scaleFactor = 1.2f,  nlevels = 8,  edgeThreshold = 31,
• firstLevel = 0,  WTA_K=2,  scoreType=ORB::HARRIS_SCORE,  patchSize=31 );
• descriptorSize() ;
• descriptorType() ;
• operator()(InputArray image, InputArray mask, vector<KeyPoint>& keypoints) ;
• operator()( InputArray image, InputArray mask, vector<KeyPoint>& keypoints,
• OutputArray descriptors,  useProvidedKeypoints= ) ;
• AlgorithmInfo* info() ;
• :
• computeImpl(  Mat& image, vector<KeyPoint>& keypoints, Mat& descriptors ) ;
• detectImpl(  Mat& image, vector<KeyPoint>& keypoints,  Mat& mask=Mat() ) ;
• CV_PROP_RW  nfeatures;
• CV_PROP_RW  scaleFactor;
• CV_PROP_RW  nlevels;
• CV_PROP_RW  edgeThreshold;
• CV_PROP_RW  firstLevel;
• CV_PROP_RW  WTA_K;
• CV_PROP_RW  scoreType;
• CV_PROP_RW  patchSize;
• };

特征提取及形成描述子：通过这个函数对图像提取Fast特征点或者计算特征描述子

_image:输入图像；

_mask:掩码图像;

_keypoints:输入角点；

_descriptors:如果为空，只寻找特征点，不计算特征描述子；

_useProvidedKeypoints:如果为true,函数只计算特征描述子；

[cpp]

/** Compute the ORB features and descriptors on an image

• * @param keypoints the resulting keypoints
• * @param do_keypoints if true, the keypoints are computed, otherwise used as an input
• */ ORB::operator()( InputArray _image, InputArray _mask, vector<KeyPoint>& _keypoints,
• OutputArray _descriptors,  useProvidedKeypoints)
• {
• CV_Assert(patchSize >= 2);
• do_keypoints = !useProvidedKeypoints;
• do_descriptors = _descriptors.needed();
• ( (!do_keypoints && !do_descriptors) || _image.empty() )
• ;
• HARRIS_BLOCK_SIZE = 9;
• halfPatchSize = patchSize / 2;.
• border = std::max(edgeThreshold, std::max(halfPatchSize, HARRIS_BLOCK_SIZE/2))+1;
• Mat image = _image.getMat(), mask = _mask.getMat();
• ( image.type() != CV_8UC1 )
• cvtColor(_image, image, CV_BGR2GRAY);
• levelsNum = ->nlevels;
• ( !do_keypoints )
• {
• levelsNum = 0;
• (  i = 0; i < _keypoints.size(); i++ )
• levelsNum = std::max(levelsNum, std::max(_keypoints[i].octave, 0));
• levelsNum++;
• }
• vector<Mat> imagePyramid(levelsNum), maskPyramid(levelsNum);
• ( level = 0; level < levelsNum; ++level)
• {
• scale = 1/getScale(level, firstLevel, scaleFactor);
• static inline float getScale(int level, int firstLevel, double scaleFactor)
• return (float)std::pow(scaleFactor, (double)(level - firstLevel));
• */        Size sz(cvRound(image.cols*scale), cvRound(image.rows*scale));
• Size wholeSize(sz.width + border*2, sz.height + border*2);
• Mat temp(wholeSize, image.type()), masktemp;
• imagePyramid[level] = temp(Rect(border, border, sz.width, sz.height));
• ( !mask.empty() )
• {
• masktemp = Mat(wholeSize, mask.type());
• maskPyramid[level] = masktemp(Rect(border, border, sz.width, sz.height));
• }
• ( level != firstLevel )
• {
• ( level < firstLevel )
• {
• resize(image, imagePyramid[level], sz, 0, 0, INTER_LINEAR);
• (!mask.empty())
• resize(mask, maskPyramid[level], sz, 0, 0, INTER_LINEAR);
• }
• {
• resize(imagePyramid[level-1], imagePyramid[level], sz, 0, 0, INTER_LINEAR);
• (!mask.empty())
• {
• resize(maskPyramid[level-1], maskPyramid[level], sz, 0, 0, INTER_LINEAR);
• threshold(maskPyramid[level], maskPyramid[level], 254, 0, THRESH_TOZERO);
• }
• }
• copyMakeBorder(imagePyramid[level], temp, border, border, border, border,
• BORDER_REFLECT_101+BORDER_ISOLATED);
• (!mask.empty())
• copyMakeBorder(maskPyramid[level], masktemp, border, border, border, border,
• BORDER_CONSTANT+BORDER_ISOLATED);
• }
• {
• copyMakeBorder(image, temp, border, border, border, border,
• BORDER_REFLECT_101);
• ( !mask.empty() )
• copyMakeBorder(mask, masktemp, border, border, border, border,
• BORDER_CONSTANT+BORDER_ISOLATED);
• }
• }
• vector < vector<KeyPoint> > allKeypoints;
• ( do_keypoints )
• {
• computeKeyPoints(imagePyramid, maskPyramid, allKeypoints,
• nfeatures, firstLevel, scaleFactor,
• edgeThreshold, patchSize, scoreType);
• for (int level = 0; level < n_levels; ++level)
• vector<KeyPoint>& keypoints = all_keypoints[level];
• keypoints.clear();
• keypoint_end = temp.end(); keypoint != keypoint_end; ++keypoint)
• }
• {
• KeyPointsFilter::runByImageBorder(_keypoints, image.size(), edgeThreshold);
• allKeypoints.resize(levelsNum);
• (vector<KeyPoint>::iterator keypoint = _keypoints.begin(),
• keypointEnd = _keypoints.end(); keypoint != keypointEnd; ++keypoint)
• allKeypoints[keypoint->octave].push_back(*keypoint);
• ( level = 0; level < levelsNum; ++level)
• {
• (level == firstLevel)
• ;
• vector<KeyPoint> & keypoints = allKeypoints[level];
• scale = 1/getScale(level, firstLevel, scaleFactor);
• (vector<KeyPoint>::iterator keypoint = keypoints.begin(),
• keypointEnd = keypoints.end(); keypoint != keypointEnd; ++keypoint)
• keypoint->pt *= scale;
• }
• }
• Mat descriptors;
• vector<Point> pattern;
• ( do_descriptors )
• {
• nkeypoints = 0;
• ( level = 0; level < levelsNum; ++level)
• nkeypoints += ()allKeypoints[level].size();
• ( nkeypoints == 0 )
• _descriptors.release();
• {
• _descriptors.create(nkeypoints, descriptorSize(), CV_8U);
• descriptors = _descriptors.getMat();
• }
• npoints = 512;
• Point patternbuf[npoints];
• Point* pattern0 = ( Point*)bit_pattern_31_;
• ( patchSize != 31 )
• {
• pattern0 = patternbuf;
• makeRandomPattern(patchSize, patternbuf, npoints);
• }
• CV_Assert( WTA_K == 2 || WTA_K == 3 || WTA_K == 4 );
• ( WTA_K == 2 )
• std::copy(pattern0, pattern0 + npoints, std::back_inserter(pattern));
• {
• ntuples = descriptorSize()*4;
• initializeOrbPattern(pattern0, pattern, ntuples, WTA_K, npoints);
• }
• }
• _keypoints.clear();
• offset = 0;
• ( level = 0; level < levelsNum; ++level)
• {
• vector<KeyPoint>& keypoints = allKeypoints[level];
• nkeypoints = ()keypoints.size();
• (do_descriptors)
• {
• Mat desc;
• (!descriptors.empty())
• {
• desc = descriptors.rowRange(offset, offset + nkeypoints);
• }
• offset += nkeypoints;
• Mat& workingMat = imagePyramid[level];
• GaussianBlur(workingMat, workingMat, Size(7, 7), 2, 2, BORDER_REFLECT_101);
• computeDescriptors(workingMat, keypoints, desc, pattern, descriptorSize(), WTA_K);
• }
• (level != firstLevel)
• {
• scale = getScale(level, firstLevel, scaleFactor);
• (vector<KeyPoint>::iterator keypoint = keypoints.begin(),
• keypointEnd = keypoints.end(); keypoint != keypointEnd; ++keypoint)
• keypoint->pt *= scale;
• }
• _keypoints.insert(_keypoints.end(), keypoints.begin(), keypoints.end());
• }
• }

（1）提取角点：computeKeyPoints

imagePyramid:即构造好的金字塔

[cpp]

/** Compute the ORB keypoints on an image

• * @param keypoints the resulting keypoints, clustered per level
• computeKeyPoints( vector<Mat>& imagePyramid,
• vector<Mat>& maskPyramid,
• vector<vector<KeyPoint> >& allKeypoints,
• nfeatures,  firstLevel,  scaleFactor,
• edgeThreshold,  patchSize,  scoreType )
• {
• nlevels = ()imagePyramid.size();
• vector<> nfeaturesPerLevel(nlevels);
• factor = ()(1.0 / scaleFactor);
• ndesiredFeaturesPerScale = nfeatures*(1 - factor)/(1 - ()pow(()factor, ()nlevels));
• sumFeatures = 0;
• (  level = 0; level < nlevels-1; level++ )
• {
• nfeaturesPerLevel[level] = cvRound(ndesiredFeaturesPerScale);
• sumFeatures += nfeaturesPerLevel[level];
• ndesiredFeaturesPerScale *= factor;
• }
• nfeaturesPerLevel[nlevels-1] = std::max(nfeatures - sumFeatures, 0);
• halfPatchSize = patchSize / 2;
• vector<> umax(halfPatchSize + 2);
• v, v0, vmax = cvFloor(halfPatchSize * sqrt(2.f) / 2 + 1);
• vmin = cvCeil(halfPatchSize * sqrt(2.f) / 2);
• (v = 0; v <= vmax; ++v)
• umax[v] = cvRound(sqrt(()halfPatchSize * halfPatchSize - v * v));
• (v = halfPatchSize, v0 = 0; v >= vmin; --v)
• {
• (umax[v0] == umax[v0 + 1])
• ++v0;
• umax[v] = v0;
• ++v0;
• }
• allKeypoints.resize(nlevels);
• ( level = 0; level < nlevels; ++level)
• {
• featuresNum = nfeaturesPerLevel[level];
• allKeypoints[level].reserve(featuresNum*2);
• vector<KeyPoint> & keypoints = allKeypoints[level];
• FastFeatureDetector fd(20, );
• fd.detect(imagePyramid[level], keypoints, maskPyramid[level]);
• KeyPointsFilter::runByImageBorder(keypoints, imagePyramid[level].size(), edgeThreshold);
• ( scoreType == ORB::HARRIS_SCORE )
• {
• KeyPointsFilter::retainBest(keypoints, 2 * featuresNum);
• HarrisResponses(imagePyramid[level], keypoints, 7, HARRIS_K);
• }
• KeyPointsFilter::retainBest(keypoints, featuresNum);
• sf = getScale(level, firstLevel, scaleFactor);
• (vector<KeyPoint>::iterator keypoint = keypoints.begin(),
• keypointEnd = keypoints.end(); keypoint != keypointEnd; ++keypoint)
• {
• keypoint->octave = level;
• keypoint->size = patchSize*sf;
• }
• computeOrientation(imagePyramid[level], keypoints, halfPatchSize, umax);
• }
• }

（2）为每个角点计算主方向，质心法；

[cpp]

static computeOrientation( Mat& image, vector<KeyPoint>& keypoints,

• halfPatchSize,  vector<>& umax)
• {
• (vector<KeyPoint>::iterator keypoint = keypoints.begin(),
• keypointEnd = keypoints.end(); keypoint != keypointEnd; ++keypoint)
• {
• keypoint->angle = IC_Angle(image, halfPatchSize, keypoint->pt, umax);
• }
• }

[cpp]

static IC_Angle( Mat& image,   half_k, Point2f pt,

• vector<> & u_max)
• {
• m_01 = 0, m_10 = 0;
• uchar* center = &image.at<uchar> (cvRound(pt.y), cvRound(pt.x));
• ( u = -half_k; u <= half_k; ++u)
• m_10 += u * center[u];
• step = ()image.step1();
• ( v = 1; v <= half_k; ++v)
• {
• v_sum = 0;
• d = u_max[v];
• ( u = -d; u <= d; ++u)
• {
• val_plus = center[u + v*step], val_minus = center[u - v*step];
• v_sum += (val_plus - val_minus);
• m_10 += u * (val_plus + val_minus);
• }
• m_01 += v * v_sum;
• }
• fastAtan2(()m_01, ()m_10);
• }

(3)计算特征点描述子

[cpp]

static computeDescriptors( Mat& image, vector<KeyPoint>& keypoints, Mat& descriptors,

• vector<Point>& pattern,  dsize,  WTA_K)
• {
• CV_Assert(image.type() == CV_8UC1);
• descriptors = Mat::zeros(()keypoints.size(), dsize, CV_8UC1);
• ( i = 0; i < keypoints.size(); i++)
• computeOrbDescriptor(keypoints[i], image, &pattern[0], descriptors.ptr(()i), dsize, WTA_K);
• }

[cpp]

static computeOrbDescriptor( KeyPoint& kpt,

• Mat& img,  Point* pattern,
• uchar* desc,  dsize,  WTA_K)
• {
• angle = kpt.angle;
• angle *= ()(CV_PI/180.f);
• a = ()cos(angle), b = ()sin(angle);
• uchar* center = &img.at<uchar>(cvRound(kpt.pt.y), cvRound(kpt.pt.x));
• step = ()img.step;
• center[cvRound(pattern[idx].x*b + pattern[idx].y*a)*step + \
• cvRound(pattern[idx].x*a - pattern[idx].y*b)]
• x, y;
• ix, iy;
• (x = pattern[idx].x*a - pattern[idx].y*b, \
• y = pattern[idx].x*b + pattern[idx].y*a, \
• ix = cvFloor(x), iy = cvFloor(y), \
• x -= ix, y -= iy, \
• cvRound(center[iy*step + ix]*(1-x)*(1-y) + center[(iy+1)*step + ix]*(1-x)*y + \
• center[iy*step + ix+1]*x*(1-y) + center[(iy+1)*step + ix+1]*x*y))
• ( WTA_K == 2 )
• {
• ( i = 0; i < dsize; ++i, pattern += 16)
• {
• t0, t1, val;
• t0 = GET_VALUE(0); t1 = GET_VALUE(1);
• val = t0 < t1;
• t0 = GET_VALUE(2); t1 = GET_VALUE(3);
• val |= (t0 < t1) << 1;
• t0 = GET_VALUE(4); t1 = GET_VALUE(5);
• val |= (t0 < t1) << 2;
• t0 = GET_VALUE(6); t1 = GET_VALUE(7);
• val |= (t0 < t1) << 3;
• t0 = GET_VALUE(8); t1 = GET_VALUE(9);
• val |= (t0 < t1) << 4;
• t0 = GET_VALUE(10); t1 = GET_VALUE(11);
• val |= (t0 < t1) << 5;
• t0 = GET_VALUE(12); t1 = GET_VALUE(13);
• val |= (t0 < t1) << 6;
• t0 = GET_VALUE(14); t1 = GET_VALUE(15);
• val |= (t0 < t1) << 7;
• desc[i] = (uchar)val;
• }
• }
• ( WTA_K == 3 )
• {
• ( i = 0; i < dsize; ++i, pattern += 12)
• {
• t0, t1, t2, val;
• t0 = GET_VALUE(0); t1 = GET_VALUE(1); t2 = GET_VALUE(2);
• val = t2 > t1 ? (t2 > t0 ? 2 : 0) : (t1 > t0);
• t0 = GET_VALUE(3); t1 = GET_VALUE(4); t2 = GET_VALUE(5);
• val |= (t2 > t1 ? (t2 > t0 ? 2 : 0) : (t1 > t0)) << 2;
• t0 = GET_VALUE(6); t1 = GET_VALUE(7); t2 = GET_VALUE(8);
• val |= (t2 > t1 ? (t2 > t0 ? 2 : 0) : (t1 > t0)) << 4;
• t0 = GET_VALUE(9); t1 = GET_VALUE(10); t2 = GET_VALUE(11);
• val |= (t2 > t1 ? (t2 > t0 ? 2 : 0) : (t1 > t0)) << 6;
• desc[i] = (uchar)val;
• }
• }
• ( WTA_K == 4 )
• {
• ( i = 0; i < dsize; ++i, pattern += 16)
• {
• t0, t1, t2, t3, u, v, k, val;
• t0 = GET_VALUE(0); t1 = GET_VALUE(1);
• t2 = GET_VALUE(2); t3 = GET_VALUE(3);
• u = 0, v = 2;
• ( t1 > t0 ) t0 = t1, u = 1;
• ( t3 > t2 ) t2 = t3, v = 3;
• k = t0 > t2 ? u : v;
• val = k;
• t0 = GET_VALUE(4); t1 = GET_VALUE(5);
• t2 = GET_VALUE(6); t3 = GET_VALUE(7);
• u = 0, v = 2;
• ( t1 > t0 ) t0 = t1, u = 1;
• ( t3 > t2 ) t2 = t3, v = 3;
• k = t0 > t2 ? u : v;
• val |= k << 2;
• t0 = GET_VALUE(8); t1 = GET_VALUE(9);
• t2 = GET_VALUE(10); t3 = GET_VALUE(11);
• u = 0, v = 2;
• ( t1 > t0 ) t0 = t1, u = 1;
• ( t3 > t2 ) t2 = t3, v = 3;
• k = t0 > t2 ? u : v;
• val |= k << 4;
• t0 = GET_VALUE(12); t1 = GET_VALUE(13);
• t2 = GET_VALUE(14); t3 = GET_VALUE(15);
• u = 0, v = 2;
• ( t1 > t0 ) t0 = t1, u = 1;
• ( t3 > t2 ) t2 = t3, v = 3;
• k = t0 > t2 ? u : v;
• val |= k << 6;
• desc[i] = (uchar)val;
• }
• }
• CV_Error( CV_StsBadSize,
• }

参考：

Ethan Rublee et. ORB：An Efficient Alternative to SIFT or SURF

http://www.cnblogs.com/ronny/p/4083537.html