前面轉載過一篇ORB特徵的原理解讀，我感覺講的是很詳細的，但是特徵點在SLAM中的運用，還不是很清楚，我們知道特徵點是由關鍵點和描述子組成的。常見的特徵有SIFT特徵，SURF特徵等。那麼為什麼ORB-SLAM2選擇ORB特徵呢？這是因為雖然SIFT考慮了影象變換過程中出現的光照、尺寸、旋轉等變化，但需要較大計算量，在沒有GPU加速的情況下，很難在SLAM這種系統中進行實時計算，另一方面，SIFT特徵和SURF特徵是受到專利保護的，需要付費使用。

ORB取名已經反映出其是一個結合了改良後的FAST角點提取和BRIEF描述子的演算法，提取ORB特徵分為兩步：

１、FAST關鍵點提取：找出影象中的FAST角點，相較於原版的FAST，ORB中計算了特徵點的主方向，為後續的BRIEF描述子增加了旋轉不變性；

２、BRIEF描述子：對上一步提取出關鍵點的周圍影象區域進行描述。

FAST是一種角點，主要檢測區域性畫素灰度變化明顯的地方，以速度快著稱。FAST只需要比較畫素亮度大小，速度很快，它的檢測過程如下：

１、在影象中選取畫素pp，假設它的亮度為IpIp；

２、設定一個閾值TT（比如IpIp的20%）；

３、以畫素p為中心，選取半徑為3的圓上的16個畫素點；

４、假如選取的圓上有連續的N個點的亮度大於Ip+TIp+T或者小於Ip−TIp−T，那麼畫素pp可以被認為是特徵點（N通常取12，即FAST-12）。

５、迴圈以上四步，對每一個畫素執行相同的操作。

FAST角點檢測雖然速度很快，但是它存在一些問題。首先是FAST角點數量很大且不確定，因此ORB對其進行改進。ORB指定最終要提取的角點數量N，對原始FAST角點分別計算Harris響應值，然後選取前N個具有最大值的角點作為最終的角點集合。

其次，FAST不具有尺寸，因此ORB構建影象金字塔，對影象進行不同層次的降取樣，獲得不同解析度的影象，並在金字塔的每一層上檢測角點，從而獲得多尺寸特徵。（前面一直搞不清為什麼要用金字塔來取特徵點）

FAST沒有計算旋轉，因此ORB通過計算以FAST角點O為中心的影象塊的質心C，那麼向量OC→OC→的方向就是特徵點的方向，具體值通過影象塊的矩得到。

通過各種改進，FAST特徵具有了尺寸和旋轉的描述，在ORB中，把這種改進後的FAST稱為oFAST。

BRIEF描述子
BRIEF描述子是一種二進位制字元描述子，其描述向量定義如下：

fn(p)=∑1≤i≤n2i−1τ(p;xi,yi)
fn(p)=∑1≤i≤n2i−1τ(p;xi,yi)
其中，

τ(p;x,y)={1,0,p(x)<p(y)p(x)≥p(y)
τ(p;x,y)={1,p(x)<p(y)0,p(x)≥p(y)
p(x)p(x) 是影象塊p中點xx的強度。ττ的選擇有很多種，常見的選擇方式是圍繞影象塊中心的高斯分佈。n選為256的話，fn(p)fn(p)就是256維的向量。BRIEF由於使用了二進位制表達，儲存起來十分方便，適用於實時的影象匹配。原始的BRIEF描述子不具有旋轉不變性，因此在圖片發生旋轉時，匹配效能會急速下降。ORB根據之前關鍵點的方向來旋轉影象塊，得到“steer BRIEF”。

BRIEF具有每個bit的方差很大，均值約為0.5的特性，但是“steer BRIEF”喪失了這種特性，其均值不再集中在0.5左右。可以理解為特定方向的角點關鍵點使得其產生髮散。這樣會導致使用“steer BRIEF”進行匹配時的錯誤率變高，因為“steer BRIEF”的方差發生了虧損，彼此之間區分度降低。同時我們希望每個ττ彼此不相干，這樣得到的BRIEF更加有區分度。

為了解決上述問題，BRIEF採用了貪婪搜尋，對所有可能的ττ進行搜尋，找出既具有高方差，均值約為0.5，同時又不相干的ττ，最終結果稱為rBRIEF。

由於考慮了旋轉和縮放，使得ORB在平移、旋轉和縮放的變換下仍具有良好的表現。同時，FAST和BRIEF的計算非常高效，使得ORB特徵在實時SLAM系統中得以應用。