ORBSLAM2中ORB特徵提取的特點

　　ORBSLAM2中通過對OpenCV中的ORB特徵點提取類進行修改，對影象進行分塊提取，而後劃分節點，使得每個節點中儲存的特徵點效能是該節點所有特徵點中最好的。

　　可能按照上面說的方式，大家不太能理解。

　　這麼說吧。將鋪滿蘋果的桌子進行畫格子，然後每個格子中就會有不同數量的蘋果，在每個格子中選出最好吃的蘋果，格子中其他的蘋果全部扔掉。（雖然有點可惜，但是大局為重嘛），那麼原先擺滿蘋果的桌子（如圖1所示），現在就剩下每個格子一個蘋果的桌子，儘管蘋果少了很多，但是剩下的都是精英，極品（如圖2所示）。

　　根據上面的類比，還有我那抽象派的蘋果，應該可以對ORBSLAM2中的ORB特徵提取做的事情有個大概的瞭解。

　　這裡需要提一下的是原生態的ORB特徵提取的方法，他主要是通過閾值條件選出所有滿足條件的ORB描述子，然後計算所有描述子的響應強度並排序M，根據輸入要求的特徵點數量N，取M中前N個描述子，即響應值最大的前N個描述子。顯然，這種提取的方法會導致特徵點的分佈非常不均勻。而這也會影響到SLAM系統中定位的精度。文末在實現原始碼的時候會給大家看看兩種方法提取特徵的結果。

ORB特徵提取的原始碼流程

　　ORB描述子的提取流程：

　　1. 輸入影象，並對輸入影象進行預處理，將其轉換成灰度影象；

　　2. 初始化引數，包括特徵點數量nfeatures，尺度scaleFactor，金字塔層數nlevel，初始閾值iniThFAST，最小閾值minThFAST等引數；

　　3. 計算金字塔影象，原始碼中使用8層金字塔，尺度因子為1.2，則通過對原影象進行不同層次的resize，可以獲得8層金字塔的影象；

　　4. 計算特徵點：

　　　　1）將影象分割成網格，每個網格大小為W*W=30*30畫素；

　　　　2）遍歷每個網格；

　　　　3）對每個網格提取FAST關鍵點，先用初始閾值iniThFAST提取，若提取不到關鍵點，則改用最小閾值minThFAST提取。（注意，初始閾值一般比最小閾值大）

　　5. 對所有提取到的關鍵點利用八叉樹的形式進行劃分：

　　　　1）按照畫素寬和畫素高的比值作為初始的節點數量，並將關鍵點座標落在對應節點內的關鍵點分配入節點中；

　　　　2）根據每個節點中存在的特徵點數量作為判斷依據，如果當前節點只有1個關鍵點，則停止分割。否則繼續等分成4份；

　　　　3）按照上述方法不斷劃分下去，如圖3所示，可見出現一個八叉樹的結構，終止條件是節點的數目Lnode大於等於要求的特徵點數量nfeatures；

　　　　4）對滿足條件的節點進行遍歷，在每個節點中儲存響應值最大的關鍵點，保證特徵點的高效能；

　　6. 對上述所儲存的所有節點中的特徵點計算主方向，利用灰度質心的方法計算主方向，上一講中我們已經講解過方法，這講就不再贅述了；

　　7. 對影象中每個關鍵點計算其描述子，值得注意的是，為了將主方向融入BRIEF中，在計算描述子時，ORB將pattern進行旋轉，使得其具備旋轉不變性；

　　綜上，ORB描述子提取的方法已經講解完畢了。現在就是上原始碼了。由於許多人都對原始碼進行過註釋，本文就直接上github:https://github.com/yepeichu123/orbslam2_learn的連結給大家，筆者是在ubuntu14.04 + opencv3.2的環境下執行的，已經實測可以執行。另外，本文還對比了ORB分網格提取和原始方法提取的異同，具體如圖4所示。可以看見，分網格提取，特徵點質量更好，分佈也更均勻，對於SLAM問題的跟蹤和三角化等能實現更魯邦的效果。

總結

　　這一講我們講解了ORBSLAM2中，ORB的分塊提取原始碼是如何實現的，並且分析了分塊提取和原生態的ORB之間的對比；

　　另外，本文還將原始碼進行單獨實現，提供了一個github的原始碼，給大家練手。

PS：

　　如果您覺得我的部落格對您有所幫助，歡迎關注我的部落格。此外，歡迎轉載我的文章，但請註明出處連結。

　　對本文有任何問題可以在留言區進行評論，也可以在泡泡機器人論壇：http://paopaorobot.org/bbs/index.php?c=cate&fid=1中的SLAM技術交流模組發帖提問。