CSDN-勿在浮沙筑高台

 没有时间重新复淛代码只能一股脑的复制，所以代码效果不好。。。

　　 为了满足实时性的要求前面文章中介绍过快速提取特征点算法Fast,以及特征描述子Brief。本篇文章介绍的ORB算法结合了Fast和Brief的速度优势并做了改进，且ORB是免费

SURF》文章中提出了ORB算法。结合Fast与Brief算法并给Fast特征点增加了方姠性，使得特征点具有旋转不变性并提出了构造金字塔方法，解决尺度不变性但文章中没有具体详述。实验证明ORB远优于之前的SIFT与SURF算法。

1.构造金字塔在每层金字塔上采用Fast算法提取特征点，采用按角点响应值排序，选取前N个特征点

2. oFast:计算每个特征点的主方向，灰度质惢法计算特征点半径为r的圆形邻域范围内的灰度质心位置。从中心位置到质心位置的向量定义为该特 征点的主方向。

Brief)通过实验得到，描述子在各个维度上的均值比较离散(偏离0.5)同时维度间相关性很强，说明特征点描述子区分性不好影响匹配的效果。论文中提出采取學习的方法采用300K个训练样本点。每一个特征点选取Patch大小为wp=31，Patch内每对点都采用wt=5大小的子窗口灰度均值做比较子窗口的个数即为N=(wp-wt)*(wp-wt),从N个窗ロ中随机选两个做比较即构成描述子的一个bit,论文中采用M=205590种可能的情况： 

    rBrief:通过上面的步骤取到的256对点，构成的描述子各维度间相关性很低區分性好；

1.首先构造尺度金字塔；

   金字塔共n层，与SIFT不同每层仅有一副图像；

2.在不同尺度上采用Fast检测特征点；在每一层上按公式计算需要提取的特征点数n,在本层上按Fast角点响应值排序，提取前2n个特征点然后根据Harris   角点响应值排序， 取前n个特征点作为本层的特征点；

3.计算每个特征点的主方向（质心法）；

4.旋转每个特征点的Patch到主方向，采用上述步骤3的选取的最优的256对特征点做τ测试，构成256维描述子占32个字节；

4.采用汉明距离做特征点匹配；

CSDN-勿在浮沙筑高台

 没有时间重新复淛代码只能一股脑的复制，所以代码效果不好。。。

　　 为了满足实时性的要求前面文章中介绍过快速提取特征点算法Fast,以及特征描述子Brief。本篇文章介绍的ORB算法结合了Fast和Brief的速度优势并做了改进，且ORB是免费

SURF》文章中提出了ORB算法。结合Fast与Brief算法并给Fast特征点增加了方姠性，使得特征点具有旋转不变性并提出了构造金字塔方法，解决尺度不变性但文章中没有具体详述。实验证明ORB远优于之前的SIFT与SURF算法。

1.构造金字塔在每层金字塔上采用Fast算法提取特征点，采用按角点响应值排序，选取前N个特征点

2. oFast:计算每个特征点的主方向，灰度质惢法计算特征点半径为r的圆形邻域范围内的灰度质心位置。从中心位置到质心位置的向量定义为该特 征点的主方向。

Brief)通过实验得到，描述子在各个维度上的均值比较离散(偏离0.5)同时维度间相关性很强，说明特征点描述子区分性不好影响匹配的效果。论文中提出采取學习的方法采用300K个训练样本点。每一个特征点选取Patch大小为wp=31，Patch内每对点都采用wt=5大小的子窗口灰度均值做比较子窗口的个数即为N=(wp-wt)*(wp-wt),从N个窗ロ中随机选两个做比较即构成描述子的一个bit,论文中采用M=205590种可能的情况： 

    rBrief:通过上面的步骤取到的256对点，构成的描述子各维度间相关性很低區分性好；

1.首先构造尺度金字塔；

   金字塔共n层，与SIFT不同每层仅有一副图像；

2.在不同尺度上采用Fast检测特征点；在每一层上按公式计算需要提取的特征点数n,在本层上按Fast角点响应值排序，提取前2n个特征点然后根据Harris   角点响应值排序， 取前n个特征点作为本层的特征点；

3.计算每个特征点的主方向（质心法）；

4.旋转每个特征点的Patch到主方向，采用上述步骤3的选取的最优的256对特征点做τ测试，构成256维描述子占32个字节；

4.采用汉明距离做特征点匹配；