众所周知，图像匹配中最重要的步骤是特征点的提取。 因为特征点对的好坏直接影响匹配的结果； 我想熟悉CV的人也知道有很多特征点检测的运算符，本博客将学习其中的一个“orb运算符”。
ORB是基于oFAST和rbriefRotatedbrief )的运算符，因此被称为有序快速和旋转brief，简称为ORB。 ORB在很多情况下可以代替SIFT和SURF。 如果不想同时使用后者，可以选择使用ORB。 一般来说，在室外场景中，ORB可能比SIFT或SURF更好。 SIFT适用于涂鸦场景。
在前面的文章中已经学习了FAST，讨论了有方向的FAST的计算方法，在这篇文章中学习了rBRIEF，理解了这两者之后，ORB自然浮出水面。
1.rBRIEF
BRIEF中一般使用高斯平滑核进行模糊化，所以最后生成的描述符与均值和方差有一定的关系，可以从下图理解他们的关系。
这里，x轴表示到0.5为止距离；
初期，可以看到brief有0.5的平均值和很大的方差。 这是brief的优势之一。 steered BRIEF也是一样。 一般来说，较大的方差会产生不同的响应，因此可以更好地区分特征。其次，brief和steered BRIEF在数学上一起具有较大的方差意味着具有较大的特征值，包含的信息量也较多。 因此，方差的急剧下降意味着BRIEF特征信息的消失。 再看一张图，很清楚：
特征值急剧下降，信息大量丢失，可以看出基本上所有的信息都保留在前面的10个主要成分中
另一方面，如果binary tests彼此独立且相关性小，则他们每个test都会为结果做出贡献，不会浪费空间和时间。 那么，面对这种情况，该如何恢复丢失的信息呢？ 或者如何恢复方差损失，降低binary tests之间的相关性呢？
方法如下。
-获取训练集：从PASCAL 2006数据集中提取300k个特征点，作为训练集；
-枚举所有可能的binary test。 如果将各patch的大小设为MxM 通常为31×31 )，在各patch中取出NxN )通常为5×5)的子窗口，则得到M-N ) M-N )的子窗口，存在binary tests
-对所有训练图像patch进行二进制测试；
-按照到平均值0.5的距离从大到小的顺序对足球小将的所有tests进行排序，生成关于tests的矢量t；
-将第一个test存储在结果向量r中，并从t中删除；
从-t中取出第2个test，与r的所有要素进行比较，计算2个向量之间的相关系数的绝对值，大于1个阈值thres时排除； 相反，保留在r
重复上述步骤，直到-r有256个test； 在小于256个test的情况下，考虑增大阈值进行操作；
很明显，该算法贪婪地搜索0.5均值附近所有不相关的tests，这是rBRIEF的主要思想； 由上图可知，rBRIEF有效地改善了steered BRIEF的色散损失及相关问题。 因为rBRIEF的特征值正在缓慢下降。
2.ORB
现在，您应该知道了什么是ORB。 它检测具有方向的fast和rBRIEF的组合，即具有方向的FAST keypoints，并使用这些points提取rBRIEF特征描述符。 它可以像sift和surf一样，用于检测特征点和计算特征点描述符。
快三稳赚10大技巧出NxN )通常为5×5)的子窗口，则得到M-N ) M-N )的子窗口，存在binary tests
-对所有训练图像patch进行二进制测试；
-按照到平均值0.5的距离从大到小的顺序对足球小将的所有tests进行排序，生成关于tests的矢量t；
-将第一个test存储在结果向量r中，并从t中删除；
从-t中取出第2个test，与r的所有要素进行比较，计算2个向量之间的相关系数的绝对值，大于1个阈值thres时排除； 相反，保留在r
重复上述步骤，直到-r有256个test； 在小于256个test的情况下，考虑增大阈值进行操作；
很明显，该算法贪婪地搜索0.5均值附近所有不相关的tests，这是rBRIEF的主要思想； 由上图可知，rBRIEF有效地改善了steered BRIEF的色散损失及相关问题。 因为rBRIEF的特征值正在缓慢下降。
2.ORB
现在，您应该知道了什么是ORB。 它检测具有方向的fast和rBRIEF的组合，即具有方向的FAST keypoints，并使用这些points提取rBRIEF特征描述符。 它可以像sift和surf一样，用于检测特征点和计算特征点描述符。