FROM：http://www.cvchina.info/2011/07/04/whats-orb/

什么是ORB

2011年7月4日cvchina 發(fā)表評(píng)論閱讀評(píng)論

ORB是是ORiented Brief的簡(jiǎn)稱。ORB的描述在下面文章中：

Ethan Rublee and Vincent Rabaud and Kurt Konolige and Gary Bradski, ORB: an ef?cient alternative to SIFT or SURF, ICCV 2011

沒有加上鏈接是因?yàn)樽髡叽_實(shí)還沒有放出論文，不過(guò)OpenCV2.3RC中已經(jīng)有了實(shí)現(xiàn)，WillowGarage有一個(gè)talk也提到了這個(gè)算法，因此我不揣淺陋，在這里總結(jié)一下。

Brief是Binary Robust Independent Elementary Features的縮寫。這個(gè)特征描述子是由EPFL的Calonder在ECCV2010上提出的。主要思路就是在特征點(diǎn)附近隨機(jī)選取若干點(diǎn)對(duì)，將這些點(diǎn)對(duì)的灰度值的大小，組合成一個(gè)二進(jìn)制串，并將這個(gè)二進(jìn)制串作為該特征點(diǎn)的特征描述子。詳細(xì)算法描述參考如下論文：

Calonder M., Lepetit V., Strecha C., Fua P.: BRIEF: Binary Robust Independent Elementary Features. ECCV 2010

注意在BRIEF eccv2010的文章中，BRIEF描述子中的每一位是由隨機(jī)選取的兩個(gè)像素點(diǎn)做二進(jìn)制比較得來(lái)的。文章同樣提到，在此之前，需要選取合適的gaussian kernel對(duì)圖像做平滑處理。（為什么要強(qiáng)調(diào)這一點(diǎn)，因?yàn)橄率龅腛RB對(duì)此作了改進(jìn)。）

BRIEF的優(yōu)點(diǎn)在于速度，缺點(diǎn)也相當(dāng)明顯：

1：不具備旋轉(zhuǎn)不變性。

2：對(duì)噪聲敏感

3：不具備尺度不變性。

ORB就是試圖解決上述缺點(diǎn)中的1和2.

如何解決旋轉(zhuǎn)不變性：

在ORB的方案中，是采用了FAST作為特征點(diǎn)檢測(cè)算子。FAST應(yīng)用的很多了，是出名的快，以防有人不知道，請(qǐng)看這里：

在Sift的方案中，特征點(diǎn)的主方向是由梯度直方圖的最大值和次大值所在的bin對(duì)應(yīng)的方向決定的。略嫌耗時(shí)。

在ORB的方案中，特征點(diǎn)的主方向是通過(guò)矩（moment）計(jì)算而來(lái)，公式如下：

有了主方向之后，就可以依據(jù)該主方向提取BRIEF描述子。但是由此帶來(lái)的問(wèn)題是，由于主方向會(huì)發(fā)生變化，隨機(jī)點(diǎn)對(duì)的相關(guān)性會(huì)比較大，從而降低描述子的判別性。解決方案也很直接，采取貪婪的，窮舉的方法，暴力找到相關(guān)性較低的隨機(jī)點(diǎn)對(duì)。

如何解決對(duì)噪聲敏感的問(wèn)題：

在前面提到過(guò)，在最早的eccv2010的文章中，BRIEF使用的是pixel跟pixel的大小來(lái)構(gòu)造描述子的每一個(gè)bit。這樣的后果就是對(duì)噪聲敏感。因此，在ORB的方案中，做了這樣的改進(jìn)，不再使用pixel-pair，而是使用9×9的patch-pair，也就是說(shuō)，對(duì)比patch的像素值之和。（可以通過(guò)積分圖快速計(jì)算）。

關(guān)于尺度不變性：

ORB沒有試圖解決尺度不變性，（因?yàn)镕AST本身就不具有尺度不變性。）但是這樣只求速度的特征描述子，一般都是應(yīng)用在實(shí)時(shí)的視頻處理中的，這樣的話就可以通過(guò)跟蹤還有一些啟發(fā)式的策略來(lái)解決尺度不變性的問(wèn)題。

關(guān)于計(jì)算速度：

ORB是sift的100倍，是surf的10倍。

關(guān)于性能：

下面是一個(gè)性能對(duì)比，ORB還是很給力。點(diǎn)擊看大圖。

參考Slides

分類: 新聞 標(biāo)簽: BRIEF, epfl, FAST, opencv2.3, orb, 特征描述子 評(píng)論 (25)Trackbacks (3)發(fā)表評(píng)論Trackback

gccheng 2011年7月4日10:58 | #1 回復(fù) | 引用

關(guān)注，希望繼續(xù)跟蹤更新啊

foelin 2011年7月4日11:14 | #2 回復(fù) | 引用

不完全統(tǒng)計(jì)了一下ICCV11和feature相關(guān)的文章
75 CARD: Compact And Real-time Descriptors
344 Robust Consistent Correspondence Between 3D Non-Rigid Shapes Based On “Dual Shape-DNA”
350 Local Intensity Order Pattern for Feature Description
929 Gradient-based learning of higher-order image features
951 Latent Low-Rank Representation for Subspace Segmentation and Feature Extraction
971 Speeded-up, relaxed spatial matching
1456 Evaluation of Image Features Using a Photorealistic Virtual World
1630 Robust Topological Features for Deformation Invariant Image Matching
1655 RISK: Binary Robust Invariant Scalable Keypoints
1673 ORB: an efficient alternative to SIFT or SURF

lootel 2011年7月4日22:34 | #3 回復(fù) | 引用

這個(gè)信息要關(guān)注，好像很強(qiáng)，要持續(xù)跟蹤

kongxd 2011年7月5日13:11 | #4 回復(fù) | 引用

持續(xù)關(guān)注~~~~

zjucyp 2011年7月13日09:03 | #5 回復(fù) | 引用

用過(guò)作者的brief，的確很強(qiáng)大，而且實(shí)現(xiàn)很簡(jiǎn)單

zjucyp 2011年7月13日09:07 | #6 回復(fù) | 引用

當(dāng)初看了brief之后，發(fā)現(xiàn)和<>的思想蠻像的，也想把fast9與brief結(jié)合一下，這樣才是快快聯(lián)合啊，原來(lái)作者已完成了。不過(guò)我在高清的交通視頻上實(shí)驗(yàn)，fast9不是理想，提取的位置并不是我想要的。

www 2011年8月26日17:19 | #7 回復(fù) | 引用

07年有個(gè)論文：Fast Keypoint Recognition in Ten Lines of Code，就是叫 Fua的這幫人，Fern嘛。再有就是劍橋Tom Drummond的Multiple Target Localisation at over 100 FPS，都是這個(gè)路子

Noodles 2012年1月10日12:12 | #8 回復(fù) | 引用

http://www6.in.tum.de/Main/ResearchAgast
比FAST還快的角點(diǎn)檢測(cè)~

cvchina 2012年1月10日23:55 | #9 回復(fù) | 引用

有試過(guò)么？

Noodles 2012年1月11日16:15 | #10 回復(fù) | 引用

測(cè)試過(guò)了，確實(shí)快些。@cvchina

Noodles 2012年1月11日16:22 | #11 回復(fù) | 引用

粗劣的比較下：在我的機(jī)器上，測(cè)試opencv自帶的 box.png圖，release模式下，都進(jìn)行non-maximum suppression,測(cè)試時(shí)間：
FAST9 : 1.01025ms
FAST10: 1.14422ms
FAST11: 1.310358ms
FAST12：0.951357ms

OAST9_16: 0.450199ms
Agast7_12d: 0.367425ms
Agast7_12s: 0.424219ms
Agast5_8: 0.31986ms

cvchina 2012年1月11日20:15 | #12 回復(fù) | 引用

想當(dāng)牛逼。

cvchina 2012年1月13日10:31 | #13 回復(fù) | 引用

Noodles :

粗劣的比較下：在我的機(jī)器上，測(cè)試opencv自帶的 box.png圖，release模式下，都進(jìn)行non-maximum suppression,測(cè)試時(shí)間：
FAST9 : 1.01025ms
FAST10: 1.14422ms
FAST11: 1.310358ms
FAST12：0.951357ms

OAST9_16: 0.450199ms
Agast7_12d: 0.367425ms
Agast7_12s: 0.424219ms
Agast5_8: 0.31986ms

Noodles, opencv的svn里面提交了對(duì)FAST的加速改進(jìn)，使用了sse2. 你可以再次比較一下么？

Noodles 2012年1月13日17:30 | #14 回復(fù) | 引用

好@cvchina

Noodles 2012年1月16日11:39 | #15 回復(fù) | 引用

@cvchina
同樣的條件：opencv 最新的FAST角點(diǎn)檢測(cè)實(shí)時(shí)性能：
FAST : 0.554308ms

Noodles 2012年1月16日11:41 | #16 回復(fù) | 引用

之前的opencv2.3.1為：2.22326ms

烏賊大王 2012年2月12日22:37 | #17 回復(fù) | 引用

粗看了下，也是點(diǎn)對(duì)特征。這個(gè)和隨機(jī)森林隨機(jī)蕨算法的區(qū)別作者能介紹下嗎？
另外，這個(gè)的算法對(duì)內(nèi)存的需求怎么樣？

cvchina 2012年2月12日22:45 | #18 回復(fù) | 引用

Ferns存儲(chǔ)的實(shí)際上一個(gè)多類分類器吧，并沒有一個(gè)顯示的描述子，而且對(duì)內(nèi)存要求很高。
Orb每個(gè)特征點(diǎn)只需32Byte，可以說(shuō)非常小了。

isis 2012年10月18日17:55 | #19 回復(fù) | 引用

Agast的源代碼是linux平臺(tái)的么？

匿名 2013年2月28日11:22 | #20 回復(fù) | 引用

這些時(shí)間是指純檢測(cè)的時(shí)間,還是也包括load圖像等其它操作的時(shí)間@Noodles

lazydao 2013年8月30日10:29 | #21 回復(fù) | 引用

“但是由此帶來(lái)的問(wèn)題是，由于主方向會(huì)發(fā)生變化，隨機(jī)點(diǎn)對(duì)的相關(guān)性會(huì)比較大，從而降低描述子的判別性。”
博主可以幫忙解釋下這句話的意思么，看不懂啊～

千里之行 2013年12月19日19:41 | #22 回復(fù) | 引用

按照博主的博客來(lái)說(shuō)的話，那個(gè)ORB是在BRIEF的基礎(chǔ)上進(jìn)行的改進(jìn)嗎？還有博文中在ORB部分提到了啟發(fā)式策略改進(jìn)，我想知道您說(shuō)的這個(gè)啟發(fā)式究竟是什么意思？期待您的答復(fù)，謝謝！

Robotic Neuron 2014年11月26日16:41 | #23 回復(fù) | 引用

這寫的也太簡(jiǎn)單扼要了～～～

匿名 2015年2月3日15:28 | #24 回復(fù) | 引用

匹配對(duì)是5*5吧 我看論文上這么寫的 ？

匿名 2015年2月4日15:13 | #25 回復(fù) | 引用

Noodles :
好@cvchina

總結(jié)

以上是生活随笔為你收集整理的什么是ORB的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。