ORB-SLAM2算法8之特征点提取、生成描述子的ORBextractor

已于 2023-08-24 15:22:52 修改
阅读量748 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： ORB-SLAM2/3 文章标签： slam vslam ORB-SLAM2 ORBextractor 特征点提取器 Oriented FAST Rotated BRIEF
于 2023-08-16 15:50:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/MRZHUGH/article/details/132320922
本文深入解析ORB-SLAM2算法中的特征点提取过程，包括ORBextractor的使用、图像金字塔的构建、FAST角点检测、非极大值抑制、特征点方向计算和描述子生成。通过构建图像金字塔实现多尺度特征点提取，增强系统的鲁棒性和适应性。同时，ORB特征点结合Oriented FAST和Rotated BRIEF，提供旋转不变性。描述子生成过程中，通过高斯模糊减少噪声，并计算具有旋转不变性的描述子。

文章目录

0 引言

ORB-SLAM2算法7了解了System主类和多线程，如下图，本文主要学习ORB-SLAM2中的图像预处理的ORB部分(Oriented FAST and Rotated BRIEF)，也就是视觉特征点提取器ORBextractor，从全称来看，ORB-SLAM2的ORB部分主要涉及图像的特征点提取和描述子生成。

  1. 特征点提取
  • ORB特征点提取使用了FAST（Features from Accelerated Segment Test）算法。FAST算法是一种高效的特征点检测算法，通过比较像素点与其周围邻域像素的亮度差异来确定特征点。
  • 在ORB中，FAST算法被扩展成了Oriented FAST，它能够在检测到的特征点周围计算出一个主方向。这个主方向在后续的描述子生成中起到了重要作用。
  • 通过对图像的不同尺度（图像金字塔）进行处理，ORB-SLAM2还能够提取多尺度的特征点，以适应不同距离的场景。
了解本专栏 订阅专栏 解锁全文
2.1ORB-SLAM3之ORB特征提取和BRIEF描述子计算
超爱吃小蛋糕的66的博客
11-23 3595
ORB-SLAM算法中ORB特征提取与描述子计算，输入一张图像，返回存放特征点的vector向量，存放描述子的mat，特征点数量，步骤大致分为以下4步 1. 构建图像金字塔 2. 提取Fast特征点并使用OctTree进行均匀化分布 3. 利用灰度质心法，计算特征点角度 4. 计算带有旋转不变性的rBRIEF描述子
ORB-SLAM2学习笔记：ORBextractor的构造函数详解
GeekDongHuang的博客
05-27 1303
这段代码通过预计算逆缩放因子和逆方差，为ORB特征提取的尺度不变性提供了数学基础，同时通过空间换时间的策略优化了实时性能，是计算机视觉中多尺度特征处理的核心步骤之一。
ORBSLAM2系列-特征点提取
一只废佐_的博客
08-14 734
计算FAST角点使用四叉树均匀化特征点、灰度质心法求解特征点方向、根据方向计算Steer BRIEF描述子。一共就做了这几步，但是为了后续能够方便进行三角化计算，将各个图层的特征点转换到原图像（金字塔的最底层）下，然后将特征点信息和描述子信息（因为提取特征点主要就为了求解这两个）分别传递给重载括号运算符的形参中（这部分放在了计算描述子中，因为在一个for循环中），实现传递。
ORBSLAM2--特征提取
weixin_43205582的博客
06-28 3774
ORBSLAM2--特征提取特征提取（ORBextractor.h and ORBextractor.cpp）ORBextractoroperator()ComputePyramidComputeKeyPointsOctTreecomputeOrientationIC_Angle高斯模糊computeDescriptors最后操作结语 说白了特征提取也就是对图像进行一定的操作，也就是对像素点进行一...
Opencv 之ORB特征提取与匹配API简介及使用例程
yohnyang的博客
08-14 2289
Opencv 之ORB特征提取与匹配API简介及使用例程
SLAM之图像特征提取与匹配
热门推荐
W_Tortoise的博客
04-10 1万+
0 写在前面 此篇博客，包括之后的一些SLAM系列博客，其实都是高翔博士的《视觉SLAM十四讲》读书笔记，在此向高博所做的工作致敬。对SLAM初学者而言，《视觉SLAM十四讲》非常适合入门，而且高博在深蓝学院开设了《SLAM理论与实践》课程，以视频+作业+答疑的模式，如果能够坚持下来，把每次作业和最后的大作业都完成，就可以说入门了。 1 实验背景 视觉SLAM主要分为视觉前端和优化后端。...
SLAM入门之视觉里程计(1)：特征点的匹配
weixin_33860553的博客
12-20 1265
SLAM 主要分为两个部分：前端和后端，前端也就是视觉里程计（VO），它根据相邻图像的信息粗略的估计出相机的运动，给后端提供较好的初始值。VO的实现方法可以根据是否需要提取特征分为两类：基于特征点的方法，不使用特征点的直接方法。 基于特征点的VO运行稳定，对光照、动态物体不敏感。 图像特征点的提取和匹配是计算机视觉中的一个基本问题，在视觉SLAM中就需要首先找到相邻图像对应点的组合，根据这些匹配的...
ORB-SLAM2源码阅读（一）-----ORB特征提取
chuangkeiss的博客
11-17 2304
1.ORB-SLAM的一大创新点在于系统的所有模块都使用了同一种特征：ORB，这样构造的系统更加简单、稳健。2.本文首先介绍了原版的ORB特征，之后又介绍了ORB-SLAM对ORB特征的改进。3.相较与SIFT、SURF，ORB在CPU下就可以获得实时性能，并且具有尺度（一定的）、旋转不变性，而且提高了BRIEF描述子的抗噪能力。4.ORB的速度是SIFT的100倍，SURF的10倍。一定的尺度不变性：利用图像金子塔实现，由于金字塔层数有限，因此只能在一定范围保证尺度的不变性。
ORB-SLAM2源码逐行解析系列（四）：ORB-SLAM2中的ORB特征点提取
LDST_优快云的博客
05-15 661
（1）大致流程（2）代码实现。
【整理】ORB-SLAM2中特征点的处理
qq_33310245的博客
12-11 3759
以下内容均来自对计算机视觉life公众号中资料的整理,作为自己的笔记使用 ORB-SLAM2中特征点的处理 1 ORB特征点简介 ORB特征由关键点和描述子组成 FAST关键点: 1.选取像素ppp,假设其亮度为IpI_pIp​; 2.设置一个阈值TTT(比如IpI_pIp​的20%); 3.以像素ppp为中心，选取半径为3的圆上的16个像素点； 4.假如选取的圆上，有连续的N个点的亮度大于Ip+TI_p+TIp​+T或小于Ip−T小于I_p-T小于Ip​−T，那么像素p可以被认为是特征点； 5.循环以上
SLAM学习----特征点与特征匹配
赵木木
04-13 2687
slam 代码 学习（一） int main() { ParameterReader parameterReader; Tracker::Ptr tracker( new Tracker(parameterReader) ); FrameReader frameReader( parameterReader ); PoseGraph ...
sharding-jdbc示例代码
12-19
sharding-jdbc示例代码
ENVI+Deep+Learning+V1.0深度学习操作教程
12-19
内容概要：本文介绍了ENVI Deep Learning V1.0的操作教程，重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用，以实现遥感图像中特定目标（如集装箱）的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练，到执行分类及结果优化的完整流程，并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架，采用ENVINet5（U-Net变体）架构，支持通过点、线、面ROI或分类图生成标签数据，适用于多/高光谱影像的单一类别特征提取。; 适合人群：具备遥感图像处理基础，熟悉ENVI软件操作，从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员，尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标：①在遥感影像中自动识别和提取特定地物目标（如车辆、建筑、道路、集装箱等）；②掌握ENVI环境下深度学习模型的训练流程与关键参数设置（如Patch Size、Epochs、Class Weight等）；③通过模型调优与结果反馈提升分类精度，实现高效自动化信息提取。; 阅读建议：建议结合实际遥感项目边学边练，重点关注标签数据制作、模型参数配置与结果后处理环节，充分利用ENVI Modeler进行自动化建模与参数优化，同时注意软硬件环境（特别是NVIDIA GPU）的配置要求以保障训练效率。
QPdfiumDemo
12-19
QPdfiumDemo
【网络安全竞赛】基于DVWA的代码级攻防技术：SQL注入至RCE利用链的实战设计与自动化防御方案研究
最新发布
12-19
内容概要：本文通过改造DVWA漏洞靶场，构建了一条从SQL注入到文件上传再到远程命令执行（RCE）的完整攻击链，重点展示代码级攻防技术。文中详细解析了二次注入、图片马精制、竞争上传和LD_PRELOAD沙箱逃逸等高阶技巧，并提供了完整的Python利用脚本与官方修复补丁，强调在真实竞赛场景下的实战应用与防御策略。同时展望了自动化Patch评估、微服务漏洞链和合规审计等未来发展方向。; 适合人群：具备一定Web安全基础，参加CTF竞赛或从事渗透测试工作的安全从业者，以及蓝队防守人员和安全培训讲师。; 使用场景及目标：①在高校CTF比赛中作为高难度Web题型，检验选手综合攻防能力；②用于企业招聘中考察候选人实战编码与应急响应能力；③辅助安全培训中进行攻击复现与防御规则编写。; 阅读建议：学习者应结合DVWA环境动手实践每个攻击环节，深入理解Payload构造原理与系统底层机制，同时对比官方Patch掌握安全编码规范，提升攻防双向能力。
量子信息科学入门
12-19
本书全面介绍量子信息科学的核心概念，涵盖量子计算、量子通信与退相干机制。从基本的量子比特出发，深入探讨纠缠、量子门、测量及错误校正等关键技术。结合理论与实验视角，解析量子隐形传态、量子密码学与量子算法的实现原理。书中融合多位领域专家的讲义，兼顾初学者与研究前沿，是进入量子信息技术领域的理想指南。
企业传播全渠道新闻发稿策略与GEO优化效果评估：基于AI驱动的媒体投放及多维度ROI分析系统设计
12-19
内容概要：本文系统阐述了企业新闻发稿在生成式引擎优化（GEO）时代下的全渠道策略与效果评估体系，涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战，并深入分析2025年新闻发稿行业五大趋势，包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略，提出基于内容适配性、时间节奏、话题设计的策略制定方法，并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外，结合“传声港”工具实操指南，提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案，并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群：企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者，具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标：①制定科学的新闻发稿策略，实现从“流量思维”向“价值思维”转型；②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵；③利用AI工具实现精准投放与GEO优化，提升品牌在AI搜索中的权威性与可见性；④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议：建议结合文中提供的实操清单、案例分析与工具指南进行系统学习，重点关注媒体适配性策略与GEO评估指标，在实际发稿中分阶段试点“AI+全渠道”组合策略，并定期复盘优化，以实现品牌传播的长期复利效应。
手机端AIDE编译器安卓版推箱子游戏软件代码.txt
12-19
手机端AIDE编译器安卓版推箱子游戏软件代码.txt
文件行政工作满意度调查表sheet
12-19
文件行政工作满意度调查表sheet
orb-slam2中的特征提取换成BRIEF特征提取怎么换
06-14
### ORB-SLAM2中将特征提取算法替换为BRIEF的实现方法 在ORB-SLAM2中，特征点的提取和描述子的生成是系统的核心部分之一。默认情况下，ORB-SLAM2使用ORB特征进行检测和描述。如果希望将特征提取算法替换为BRIEF，需要对代码进行一系列修改。以下是具体的实现方法和注意事项。 #### 1. 替换特征提取器 ORB-SLAM2中的特征提取主要依赖于OpenCV库中的`cv::ORB`类[^1]。为了使用BRIEF特征，需要替换掉`cv::ORB`类，并引入支持BRIEF描述子的类。可以通过以下步骤完成： - 修改`ORBextractor.h`文件：该文件定义了ORB特征提取器的接口。需要创建一个新的类来封装BRIEF特征提取逻辑。 - 替换`ORBextractor.cpp`中的实现：根据BRIEF的特性，重新实现特征点的检测和描述子生成逻辑。 ```cpp #include <opencv2/features2d.hpp> class BRIEFExtractor { public: std::vector<cv::KeyPoint> operator()(const cv::Mat &image, const cv::Mat &mask = cv::Mat()) { std::vector<cv::KeyPoint> keypoints; cv::Ptr<cv::FeatureDetector> detector = cv::ORB::create(); // 使用ORB作为关键点检测器 detector->detect(image, keypoints); cv::Mat descriptors; cv::xfeatures2d::BriefDescriptorExtractor brief; brief.compute(image, keypoints, descriptors); return keypoints; } }; ``` #### 2. 修改描述子类型 ORB-SLAM2默认使用`unsigned char`类型的描述子，而BRIEF描述子通常也是`unsigned char`类型。但需要注意的是，BRIEF描述子的长度可能与ORB不同（例如，BRIEF可以是32位或64位）。因此，需要确保所有涉及描述子的操作都能兼容新的长度。 - 修改`Frame`类中的描述子存储方式：确保描述子数组能够容纳BRIEF描述子的长度。 - 修改`KeyFrameDatabase`类中的匹配逻辑：调整描述子距离计算的方式，以适应BRIEF描述子的特点。 #### 3. 调整匹配策略 ORB-SLAM2中的特征匹配基于Hamming距离，而BRIEF描述子也可以使用Hamming距离进行匹配。然而，由于BRIEF描述子的统计特性可能与ORB不同，可能需要调整匹配阈值。 - 修改`Frame`类中的匹配函数：调整`SearchForInitialization`、`SearchByProjection`等函数中的匹配阈值。 - 修改`LoopClosing`类中的回环检测逻辑：确保回环检测能够正确处理BRIEF描述子。 #### 4. 注意事项 - **性能问题**：BRIEF特征的计算速度可能不如ORB快，尤其是在高分辨率图像上。需要测试替换后的性能影响，并考虑是否需要优化。 - **鲁棒性问题**：BRIEF特征对图像旋转和尺度变化的鲁棒性较差。如果应用场景需要较强的鲁棒性，可能需要结合其他技术（如多尺度检测）。 - **代码兼容性**：ORB-SLAM2的许多模块假设使用ORB特征。在替换为BRIEF后，可能需要对多个模块进行适配性修改。 #### 示例代码片段 以下是一个简单的BRIEF特征提取示例： ```cpp cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); std::vector<cv::KeyPoint> keypoints; cv::Mat descriptors; // 使用FAST检测关键点 cv::FAST(image, keypoints, 20); // 使用BRIEF生成描述子 cv::xfeatures2d::BriefDescriptorExtractor brief; brief.compute(image, keypoints, descriptors); ``` --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ZPILOTE

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值