(四)OpenCV中的特征检测之ORB(面向Fast算法和旋转BRIEF)

注释：本文翻译自OpenCV3.0.0 document->OpenCV-Python Tutorials，包括对原文档种错误代码的纠正

1.简介

    SIFT和SURF在它们的工作方面表现出色，但是如果你需要每年支付几美元才能将其应用于程序，那该怎么办呢?是的，因为它们是专利！为了解决这个问题，OpenCV开发提出一个新的“免费”方法替代SIFT和SURF，它就是ORB。

2.目标

     这一章中学习ORB的知识。

3.理论

    作为OpenCV爱好者，关于ORB最重要的是它来自于“OpenCV实验室”，Ethan Rublee，Vincent Rabaud，Kurt Konolige和Gary R. Bradski在他们的论文ORB：2011年对SIFT或SURF的高效替代方案中提出了该算法。正如标题所说，它是计算SIFT和SURF的一个很好的替代方案。

      ORB基本上是使用FAST关键点检测器和BRIEF描述符的融合，并具有许多修改以提高性能。首先使用FAST算法查找关键点，然后应用Harris角点检测来查找其中的前N个点。它也使用金字塔来产生多尺度特征。但一个问题是，FAST不计算方向。那么旋转不变性呢？作者提出了以下修改：

       它计算位于中心位置较角的贴片的强度加权质心。从这个角点到质点的矢量的方向给出方向。为了改善旋转不变性，用x和y来计算矩，其应该在半径位r的圆形区域中，其中r是贴片的大小。

       现在对于描述符，ORB使用BRIEF描述符，但是我们已经看到，由于轮换，BRIEF表现不佳。所以ORB所做的就是根据关键点的方向来“引导”BRIEF。对于位置在处的任何n个二元测试的特征集合，定义包含这些像素的坐标的的矩阵。然后使用贴片的方向\theta，找到它的旋转矩阵并旋转。以得到导向(旋转)的版本。

      ORB将角度离散为(12度)的增量，并构造一个预先计算的BRIEF模式的查找表。只要关键点方向在视图中是一致的，正确的一组点将被用来计算它的描述符。

BRIEF有一个重要的特性，即每个位特征具有很大的方差和接近0.5的平均值。但一旦以关键点为导向，它就会失去这种属性并变得更加分散。高方差使特征更具有区别性，因为它对输入进行差异化响应。另一个理想的特性是让测试不相关，因为那样每个测试都会对测试结果产生影响。为了解决所有这些问题，ORB在所有可能的二进制测试中执行贪婪搜索，以找到既具有高方差又具有接近0.5的平均值以及不相关的方法。结果被称为rBRIEF。

对于描述符匹配，使用改进传统LSH的多探针LSH。该论文称ORB比SURF和SIFT快得多，ORB描述符比SURF更好。 ORB是全景拼接等低功耗设备的理想选择。

4.OpenCV中的ORB

    像往常一样，我们必须使用cv2.ORB_create()或使用feature2d通用接口创建一个ORB对象。它有许多可选参数，最有用的是nFeatures，它表示要保留的特征的最大数量(默认是500)，scoreType表示用于对特征进行排名的harris分数或FAST分数(默认情况下是Harris分数)等。另一个参数WTA_K决定点数产生定向的BRIEF描述符的每个元素。默认情况下，它是两个，即一次选择两个点。在这种情况下，为了匹配，使用NORM_HAMMING距离。如果WTA_K是3或4，需要3或4个点来生成BRIEF描述符，则匹配距离由NORM_HAMMING2定义。

以下是显示ORB的简单代码：

# -*- coding: utf-8 -*-
'''
(ORB:Oriented FAST and Rotated BRIEF)面向Fast算法和旋转BRIEF
1.SIFT和SURF是专利，用在应用程序中需要每年付费。
2.所以提出一个免费替代SIFT和SURF，那就是ORB。
3.ORB基本上是FAST关键点检测器和BRIEF描述符的融合，并具有许多修改以提高性能。
  首先使用FAST查找关键点，然后应用Harris角点检测来查找其中的前N个点，它也使用金字塔来产生多尺度特征。
  但一个问题时，FAST不计算方向，那么旋转不变性呢？提出的修改是，让ORB计算中心位置角的贴片的强度加权值质心。
  从这个角点到质心的矢量方向给出方向。为了改善旋转不变性，用x和y来计算矩，其应该在半径为r的圆圈区域中，
  其中r是贴片的大小。
4.BRIEF有一个重要特性：即每个位特征具有很大的方差和接近0.5的平均值。
  但一旦以关键点为导向，它就会失去这种属性并变得更加分散，高方差使特征更具有区别性，因为它对输入进行差异化响应。
  另一个理想特性是让测试不相关，因为那样每个测试都会对测试结果产生影响。
  为了解决所有这些问题，ORB在所有可能的二进制测试中执行贪婪搜索，以找到既具有高方差又具有接近0.5的平均值以及
  不相关的方法。结果被称为rBRIEF。
5.OpenCV中的ORB:cv2.ORB_create(),ORB特征匹配，在另一章做。
'''

import cv2
from matplotlib import pyplot as plt
import numpy as np

img = cv2.imread('5.jpg', 0)

# 创建ORB
orb = cv2.ORB_create()

# 找到ORB中的关键点
kp = orb.detect(img, None)

# 使用ORB计算描述符
kp, des = orb.compute(img, kp)

# 只绘制关键点、位置，不绘制大小和方向
img2 = cv2.drawKeypoints(img, kp, None, color=(0, 255, 0), flags=0)
plt.imshow(img2), plt.show()

结果如下：ORB特征匹配，将在下一章做。