不明白的地方的一些整理：
非極大值抑制主要是為了避免影象上得到的角點過於密集，主要過程是每個特徵點都會計算得到相應的響應得分，然後以當前畫素p為中心，取其鄰域（如3*3），判斷當前畫素p的響應是否為該鄰域內最大的，如果是則保留，否則，則抑制。
非極大值抑制，排除不穩定的角點，採用強度響應函式：
如何確定特徵點的方向：
orb特徵確定特徵點方向的思路是：首先根據「矩」概念確定當前特徵點鄰域塊的中心位置c，然後根據當前畫素點中心o和c的連線方向確定特徵點方向θ ，
「矩」的定義為：
通過矩找到影象塊的質心：
連線影象塊的幾何中心o與質心c，得到乙個oc的向量，把這個向量的方向定義特徵點的方向：
orb特徵描述子採用改進的brief描述子，基本思想為：在特徵點鄰域塊內，按照一定的規則選擇若干對畫素點p,q，如果有ip>iq,則當前位的brief描述子的值為1，否則為0。對於畫素點對的個數可以選擇128，256不等。但實際上這樣會存在乙個問題就是得到的描述子會對雜訊很敏感，如果比較的畫素點屬於雜訊，將會對描述子的可靠性造成重要的影響，所以，做出以下的調整：
τ(p;x,y):=1:p(x)>p(y);τ(p;x,y):=0:p(x)≤p(y)
其中，p(x)表示畫素點x的強度值，可以選擇高斯濾波值作為當前畫素點的強度值，這樣比較的兩者不會是單獨的兩個畫素點值，而是畫素點鄰域塊的加權平均值，從而有效降低了雜訊的影響。
對於描述子旋轉不變性的解決方法：
在計算特徵點描述子的過程中，將其鄰域的若干比較對根據特徵點的方向進行相應的旋轉變換，即如果n個測試對座標表示為s=(p1,p2,…,pn),pi=(xi,yi)， 特徵點方向角度為θ ，對應的旋轉矩陣為rθ ，那麼修後的比較點座標為sθ ，sθ =rθs，將修正後的座標sθ 帶入到描述子的計算，這樣得到的描述子是具有旋轉不變性的。
如何選取比較點：
如果比較點對的個數為256，那麼最終的brief描述子的位數就是256，乙個好的brief描述子的每一位的變化性應該是足夠大的，或者說每一位的數值分布是比較均勻的，不會過於密集或稀疏，另乙個方面，brief描述子的不同位之間應該是不相關的。
orb特徵採用這樣的演算法來選擇比較點對：
首先從資料集中確定300k個關鍵點，對於3131的畫素塊，設定55的子視窗畫素塊，也就是31331畫素塊中所有的子視窗可能性有n=（31-5）（31-5）種，那麼從n種子視窗種選擇兩個子視窗進行比較的可能性有c2n種，m= 205590種測試的可能性。
下面：1）對於m種中的每一種測試可能性，在300k 關鍵點上的計算結果（每一種可能性對應於brief描述子中的一位）；
2）對於每一種測試可能性在關鍵點上的比較結果，計算300k個資料上的平均值，並按照距離0.5的遠近大小由小到大進行排序，構成集合t（距離0.5越近，認為資料分布越平均，可以考慮選擇這樣的例子，），這一步是考慮選擇盡可能使得每一位brief描述子的資料分布分散的比較對。
3）採用貪心演算法
1.首先將t中的第乙個測試對放入集合r種
2.從t中取下乙個排序測試對，並與r中的所有測試對計算關聯度，如果關聯度超過一定的閾值，則放棄當前從t中取得的測試對，反之則將當前測試對加入到集合r中。
3.重複前兩步，直至r中有256個測試對。
r中挑選的256個測試對滿足：
1.每一位描述子的變化性足夠大
2.不同描述子之間的關聯度盡可能小
ORB特徵提取1
orb特徵是在fast特徵點的基礎上再加上乙個旋轉量，本文以opencv自帶的fast函式求出特徵點keypoint，取特徵點附近一小塊區域b，b的大小是16 16，範圍是 u 8,v 8 u 7,v 7 可以定義該區域影象的矩 通過矩可以找到影象的質心 連線影象中心o與質心，可以得到方向向量oc，...
ORB特徵提取與匹配
特徵點的檢測 影象的特徵點可以簡單的理解為影象中比較顯著顯著的點，如輪廓點，較暗區域中的亮點，較亮區域中的暗點等。orb採用fast features from accelerated segment test 演算法來檢測特徵點。這個定義基於特徵點周圍的影象灰度值，檢測候選特徵點周圍一圈的畫素值，...
ORB特徵提取與匹配
orb特徵是目前最優秀的特徵提取與匹配演算法之一，下面具體講解一下 特徵點的檢測 影象的特徵點可以簡單的理解為影象中比較顯著顯著的點，如輪廓點，較暗區域中的亮點，較亮區域中的暗點等。orb採用fast features from accelerated segment test 演算法來檢測特徵點。...