ORB算法分析（草稿）

iuv 2012-02-22

展开全文

ORB算法分析（草稿）

(2011-12-13 22:33:16)

标签：

杂谈

ORB算法的论文来自"ORB: an efficient alternative to SIFT or SURF"，作者是OpenCV维护和开发的公司willowgarage的，论文名字起的很牛气，摘要里说，ORB算法比sift算法效率高两个数量级。江湖上流传的说法是ORB算法综合性能在各种测评里是最好的。

ORB算法是在FAST关键点检测+BRIEF特征上做的。

1. 假设给定一副图。

论文第3节：先用oFAST算法，检测关键点的位置。所谓oFAST，就是orientation的FAST，增加了计算关键点的角点方向。

2. 对这个图，用FAST算法，找出关键点的位置。

3. 对于关键点，用Harris角点检测，选取前N个最好的点。

4. FAST算法不能处理多尺度图像，如果需要处理多尺度的话，就对原来的图像作金字塔，然后对每个图都进行步骤2和3的处理。

5. 对于每个角点，根据Intensity Centroid算法，计算角点的方向。

论文第4节：rBRIEF，旋转敏感的BRIEF，Rotation-Aware Brief

6. brief算法是无向的。

7. 将5中计算出来的角点方向作为brief的方向，进行旋转，就得到了有向的brief，也就是steered brief。steered brief导致区分性能有所下降。这一块，作者在4.2节中说，brief特征的每个bit的值或者是0，或者是1，因此均值是0.5，variance大。从图3可以看出，brief特征的均值在0很多，距离均值0.5比较远，而steered brief特征，加入角点的方向之后，特征均值的分布就比较平均了，也就是说，相对均值0.5来说，variance变小了。variance越大，区分性能越好，这很好理解，差异性越大，表明特征之间的差别越大，越好分类，如果都特征都差不多，接近均值，就不好分了。因此，steered brief的性能肯定不如brief。那么，为什么呢steered brief会导致variance变小呢，也许是图像的角点的方向，在统计学上存在某种性质使得variance变小。另一个是特征之间的相关性。对brief和steered brief作pca，它们的主要能量都在前10～15个主成份上。

8. 用一种贪婪学习算法筛选具有高variance和高不相关的steered brief，结果称之为rBRIEF。

9. ORB特征，就是oFAST和rBRIEF的组合。

在我看来，ORB论文并没有对算法做一个严密的流程设计，算法的参数选择，多尺度，提取特征的细节过程，匹配特征策略等等。如果从头实现代码，还有很多需要考虑的地方，有鉴与此，也许不同的实现会带来不同的性能上差别。实现ORB算法的时候，要实现相关的算法，FAST, Harris角点，Intensity Centroid，BRIEF等等，涉及的还是比较多的，性能非常诱人，非常期望能有好的开源实现可以发布。