【CV】ORB算法

1. ORB算法：

• 特点：

  • 实现了旋转不变性、尺度不变性和计算效率高等特性。

• 旋转不变性：

  • 通过计算关键点周围的梯度信息，确定关键点的主方向。
  • 将图像旋转到关键点的主方向，然后再提取BRIEF描述符，增强了旋转不变性。
    ORB（Oriented FAST and Rotated BRIEF）是一种结合了FAST关键点检测器和BRIEF描述符的特征提取算法，它在计算效率和检测性能之间取得了很好的平衡。

在FAST检测到关键点之后，ORB算法会根据关键点周围的局部图像区域计算BRIEF描述符。
为了增强ORB算法的旋转不变性，它还引入了一种旋转校正的机制。会根据关键点周围的梯度信息计算出关键点的主方向，并将图像旋转到关键点的主方向，然后再提取BRIEF描述符。

优点：

ORB算法具有较高的计算效率，适用于实时应用和资源受限的环境。
ORB算法在一定程度上具备旋转不变性和尺度不变性，对图像的光照变化也具有一定的鲁棒性。
ORB算法是一种开源算法，易于实现和使用，广泛应用于计算机视觉领域的特征提取和匹配任务中。

1.1. FAST关键点检测器：

FAST算法通过比较像素周围邻域的强度值来判断当前像素是否为角点。如果一个像素周围存在连续的像素强度值超过或低于该像素强度值的阈值，那么该像素就被认为是一个角点。
FAST算法对图像的亮度变化和旋转变化具有一定的不变性，但对于尺度变化不具备不变性。

• 原理：

  • FAST算法通过比较像素周围邻域的强度值来判断当前像素是否为角点。
  • 选择一个像素$p$，将其亮度值与周围的16个像素点进行比较。
  • 如果存在连续的$n$个像素点，其亮度值均大于或小于阈值$T$，则像素$p$被认为是一个角点。

  设像素$p$的亮度值为$I_p$，周围16个像素点的亮度值为$I_{p1},I_{p2},...,I_{p16}$，阈值为$T$。
  定义像素$p$的强度变化函数$f$：

  f(d) = |I_p - I_{p+d}|
  

  如果存在一组连续的像素点$d_1,d_2,...,d_n$，使得$f(d_i)>T$，则像素$p$为角点。

1.2. BRIEF描述符：

BRIEF（Binary Robust Independent Elementary Features）是一种二进制描述符，用于描述关键点周围的局部特征。
BRIEF算法通过比较关键点周围的像素对来生成一个二进制字符串作为描述符。这些像素对的比较结果被编码成二进制形式，生成一个固定长度的二进制向量作为特征描述符。
BRIEF描述符具有较好的计算效率和匹配鲁棒性，但对图像的旋转、尺度和光照变化不具备不变性。

• 原理：

  • 对于给定的关键点，选择一个固定大小的窗口，并选取窗口内的一组像素对。
  • 对每对像素进行比较，并将比较结果编码为二进制串。
  • 最终得到一个固定长度的二进制向量作为特征描述符。

  设$P_i$和$P_j$为一对像素，其亮度值分别为$I(P_i)$和$I(P_j)$。
  对比两个像素的亮度值，并根据比较结果编码为二进制形式：

  BRIEF(P_i, P_j) = { 1, if I(P_i) < I(P_j)0, otherwise }
  

示例：

import cv2
import numpy as np# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 创建ORB对象
orb = cv2.ORB_create()# 检测关键点并计算描述符
keypoints, descriptors = orb.detectAndCompute(image, None)# 绘制关键点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None)# 显示结果
cv2.imshow('Image with Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

示例代码使用OpenCV库实现了ORB算法的关键点检测和描述符计算。首先，通过cv2.ORB_create()创建了一个ORB对象，然后使用detectAndCompute()方法检测图像中的关键点并计算描述符。最后，使用drawKeypoints()方法将关键点绘制在图像上，并显示结果。