ORB（定向快速旋转简报）
目标：我们来看看球体的特征
理论
作为一个OpenCV爱好者，来自“OpenCV实验室”的ORB。ORB算法是由伊桑·鲁布利、文森特·拉伯德、库尔特·科诺里奇和加里·布拉德斯基在他们的论文《球体：2011年筛选或冲浪的有效替代品》中提出的。顾名思义，它在计算成本、匹配性能以及主要专利等方面是SIFT和SURF的一个很好的替代品。
ORB基本上是一个快速关键点检测器和简短描述符的融合，通过许多修改来提高性能。首先用快速法寻找关键点，然后用Harris角点法寻找其中的N个顶点。它还使用棱锥体生成多尺度特征。但有一个问题是，FAST不能计算方向。那么旋转不变性呢？作者提出了以下修改。
它计算位于中心角点的面片的强度加权质心。矢量从这个角点到质心的方向给出了方向。为了提高旋转不变性，用x和y计算矩，x和y应该在半径r的圆形区域内，其中r是面片的大小。
现在对于描述符，ORB使用简短的描述符。不过，我们已经看到，这场比赛在轮换中表现不佳。所以ORB所做的就是根据关键点的方向来“引导”BRIEF。对于在位置（x_i，y_i）处由n个二进制测试组成的任何特征集，定义一个包含这些像素坐标的2倍n矩阵。然后使用面片的方向，找到它的旋转矩阵，并旋转S，得到转向（旋转）版本S。
ORB将角度离散为2π/30（12度）的增量，并构造一个预计算简短模式的查找表。只要关键点方向θ在视图中是一致的，则将使用正确的点集Sθ来计算其描述符。
BRIEF有一个重要的特性，即每个位特征都有一个大的方差和一个平均值0.5分. 但一旦它沿着关键点方向定向，它就失去了这个属性，变得更加分散。高方差使特征更具区分性，因为它对输入的响应是不同的。另一个可取的特性是使测试不相关，从那时起，每个测试都将有助于结果。为了解决所有这些问题，ORB在所有可能的二进制测试中运行贪婪搜索，以找到方差和均值都接近0.5分，以及不相关。结果称为rBRIEF。
在说明符匹配方面，采用了多探针LSH算法，对传统LSH算法进行了改进。论文说ORB比SURF快得多，SIFT和ORB描述符比SURF工作得更好。在低功耗全景拼接等设备中，ORB是一个很好的选择。
OpenCV中的球体
像往常一样，我们必须用函数创建一个ORB对象，化学气相色谱仪（或使用feature2d公共接口。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（默认值为500），scoreType表示Harris score还是FAST score来对特征进行排序（默认值为Harris score）等。另一个参数，WTA_K决定生成定向简短描述符的每个元素的点数。默认情况下是两个点。在这种情况下，对于匹配，使用范数HAMMING距离。如果WTA_K是3或4，这需要3或4个点来生成简短的描述符，则匹配距离由范数HAMMING2定义。
下面是一个简单的代码，显示了ORB的使用。
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('simple.jpg',0)
# Initiate STAR detector
orb = cv2.ORB()
# find the keypoints with ORB
kp = orb.detect(img,None)
# compute the descriptors with ORB
kp, des = orb.compute(img, kp)
# draw only keypoints location,not size and orientation
img2 = cv2.drawKeypoints(img,kp,color=(0,255,0), flags=0)
plt.imshow(img2),plt.show()
运行效果：
