没有合适的资源?快使用搜索试试~ 我知道了~
首页ORB-快速特征点提取和描述的算法
ORB-快速特征点提取和描述的算法

ORB(Oriented FAST and Rotated BRIEF)是一种快速特征点提取和描述的算法。这个算法是由Ethan Rublee, Vincent Rabaud, Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB:An Efficient Alternative to SIFTor SURF”的文章中提出。ORB算法分为两部分,分别是特征点提取和特征点描述。特征提取是由FAST(Features from Accelerated Segment Test)算法发展来的,特征点描述是根据BRIEF(Binary Robust IndependentElementary Features)特征描述算法改进的。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来,并在它们原来的基础上做了改进与优化。据说,ORB算法的速度是sift的100倍,是surf的10倍。
资源详情
资源评论
资源推荐

ORB
1、算法介绍
()是一种快速特征点提取和描述的
算法。这个算法是由 以及
在 !"## 年一篇名为“:$$%&'的
文章中提出。 算法分为两部分,分别是特征点提取和特征点描述。特征提
取是由 ($())()算法发展来的,特征点
描述是根据 (*()特征描述算
法改进的。 特征是将 特征点的检测方法与 特征描述子结合起
来,并在它们原来的基础上做了改进与优化。据说, 算法的速度是 $ 的
#"" 倍,是 $ 的 #" 倍。
## 特征提取
算法的特征提取是由 算法改进的,这里成为 (
*)。也就是说,在使用 提取出特征点之后,给其定义
一个特征点方向,以此来实现特征点的旋转不变形。 算法是公认的最快
的特征点提取方法。 算法提取的特征点非常接近角点类型。 算法
如下:

图 1 FAST 特征点判断示意图
步骤一:粗提取。该步能够提取大量的特征点,但是有很大一部分的特征点的
质量不高。下面介绍提取方法。从图像中选取一点 +,如上图 #。我们判断该点
是不是特征点的方法是,以 + 为圆心画一个半径为 ,*- 的圆。圆周上如果有
连续 个像素点的灰度值比 + 点的灰度值大或者小,则认为 + 为特征点。一般
设置为 #!。为了加快特征点的提取,快速排出非特征点,首先检测
#、.、/、#, 位置上的灰度值,如果 + 是特征点,那么这四个位置上有 , 个或 ,
个以上的的像素值都大于或者小于 + 点的灰度值。如果不满足,则直接排出此
点。
步骤二:机器学习的方法筛选最优特征点。简单来说就是使用 0, 算法训练一
个决策树,将特征点圆周上的 #1 个像素输入决策树中,以此来筛选出最优的
特征点。
步骤三:非极大值抑制去除局部较密集特征点。使用非极大值抑制算法去除临
近位置多个特征点的问题。为每一个特征点计算出其响应大小。计算方式是特
征点 + 和其周围 #1 个特征点偏差的绝对值和。在比较临近的特征点中,保留响
应值较大的特征点,删除其余的特征点。

步骤四:特征点的尺度不变形。建立金字塔,来实现特征点的多尺度不变性。
设置一个比例因子 (*% 默认为 #!)和金字塔的层数
%(*% 默认为 2)。将原图像按比例因子缩小成 % 幅图像。缩放后
的图像为:345
6 4#!7%8。% 幅不同比例的图像提取特
征点总和作为这幅图像的 特征点。
步骤五:特征点的旋转不变性。 算法提出使用矩((()法来确定
特征点的方向。也就是说通过矩来计算特征点以 为半径范围内的质心,
特征点坐标到质心形成一个向量作为该特征点的方向。矩定义如下:
其中,6-8为图像灰度表达式。该矩的质心为:
假设角点坐标为 ,则向量的角度即为该特征点的方向。计算公式如下:
#! 特征描述
特征描述是在 特征描述的基础上加入旋转因子改进的。下面
先介绍 特征提取方法,然后说一说是怎么在此基础上修改的。
剩余10页未读,继续阅读



















安全验证
文档复制为VIP权益,开通VIP直接复制

评论1