orb特徵 = fast+描述子，fast判斷該點是不是特徵點，描述子計算該特徵點的方向資訊。
1 fast角點
（1）fast規則
如下圖，遍歷每個畫素點，檢測在畫素點附近的圓形視窗上的16個畫素的灰度，如果有n個連續點都比中心畫素的灰度大或者小的話，這樣的中心點就是fast角點。n可以是12或者9。
（2）非極大值已知剔除接近點
演算法很可能檢測出的角點彼此相鄰，所以提出了使用非極大值抑制演算法來去除一部分的相鄰角點，思路是 為每乙個檢測到的角點計算它的響應大小（score function）。響應定義為中心點和它周圍16個畫素點的絕對偏差的和。比較兩個相鄰的角點響應值。值較低的角點將會被刪除。
2 特徵點描述子
（1）計算特徵點灰度質心
計算當前影象塊內的灰度總和：
計算x方向上畫素加權和：
計算y方向上畫素加權和：
灰度質心座標為
定義方向：
可以理解成密度不同的規則立體，灰度質心類似該立體的質心，方向類似該立體形心與質心連線向量方向。
（2）生成描述子
brief是在乙個特徵點的鄰域選擇n對畫素點(p,q)，比較其灰度值大小，如果i(p)>i(q)，則令其對應的值為1，否則為0，這樣對n對畫素比較之後，就形成乙個長度為n的二進位制向量。一般一般n取128、256或512，opencv預設為256。
第（1）步計算出了該特徵點的方向，以該方向為y軸，順時針垂直方向構建x軸，在該座標系下選取n對匹配點。
注意：brief原文作者提出了五種方法選擇點對，但是orbslam採用統計學習的方法選擇點對集合，並且實際應用過程中orb_slam已經訓練好了。直接按照這種方法去計算獲得256個點對就好。直接可以計算256維的描述子了。
訓練方法如下：（只應用的話不用考慮）
首先建立300k個特徵點測試集。對於測試集中的每個點，考慮其31x31鄰域。這裡不同於原始brief演算法的地方是，這裡在對影象進行高斯平滑之後，使用鄰域中的某個點的5x5鄰域灰度平均值來代替某個點對的值，進而比較點對的大小。這樣特徵值更加具備抗噪性。另外可以使用積分影象加快求取5x5鄰域灰度平均值的速度。
從上面可知，在31x31的鄰域內共有(31-5+1)x(31-5+1)=729個這樣的子視窗，那麼取點對的方法共有m=265356種，我們就要在這ｍ種方法中選取256種取法，選擇的原則是這256種取法之間的相關性最小。怎麼選取呢？
1）在300k特徵點的每個31x31鄰域內按m種方法取點對，比較點對大小，形成乙個300kxm的二進位制矩陣q。矩陣的每一列代表300k個點按某種取法得到的二進位制數。
2）對q矩陣的每一列求取平均值，按照平均值到0.5的距離大小重新對q矩陣的列向量排序，形成矩陣t。
3）將t的第一列向量放到r中。
4）取t的下一列向量和r中的所有列向量計算相關性，如果相關係數小於設定的閾值，則將t中的該列向量移至r中。
5）按照4）的方式不斷進行操作，直到r中的向量數量為256。
通過這種方法就選取了這256種取點對的方法。這就是rbrief演算法。
視覺里程計01 ORB特徵提取與跟蹤
概念網上描述的很詳細，這裡簡單說一下 總的來說該演算法比surf還要快，而且準確率也很不錯。主體部分來自高翔的視覺slam14講的 在開頭加入了攝像頭讀取的 替換掉固定的演示。這裡用雙目攝像頭來進行匹配，實際上視覺里程計採用單目即可。include include include include i...
ROS里程計的學習 odometry 一
什麼是里程計？為什麼需要里程計？里程計是衡量我們從初始位姿到終點位姿的乙個標準，通俗的說，我們要實現機械人的定位與導航，就需要知道機械人行進了多少距離，是往哪個方向行進的 hector建圖呢有個缺點，如果雷達不夠精確，那麼建出來的圖會導致定位不夠精確，這是我們不期望的，所以要實現精確的定位與導航，需...
視覺SLAM 視覺里程計解決方案分析（間接法）
目錄 基本問題 視覺里程計是視覺slam技術的起點，其核心問題同slam技術一樣，主要是定位與構圖，但視覺里程計解決的核心是定位問題，也就是相機的位姿。通俗地講就是利用多張影象資訊還原相機的運動。以兩幀影象為例。設空間點p pp為路標點，p1,p2p 1,p 2 p1 p2 為影象上的投影點。其中p...