ORB特征提取详解

最新推荐文章于 2025-04-01 19:17:03 发布
最新推荐文章于 2025-04-01 19:17:03 发布
阅读量1.2k 收藏
点赞数
分类专栏： opencv 文章标签： 计算机视觉 算法 OCR
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/zrzrzr666666/article/details/106241496
版权
ORB算法是一种结合了FAST特征提取和BRIEF特征描述的快速、旋转不变的特征点提取方法。oFAST通过改进FAST算法实现特征点方向，rBRIEF则通过优化BRIEF提高旋转不变性和抗噪性。ORB算法在保持高效的同时，提供了更好的旋转不变性，适用于计算机视觉任务，如OCR。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、算法介绍
ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。这个算法是由Ethan Rublee, Vincent Rabaud, Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB：An Efficient Alternative to SIFTor SURF”的文章中提出。ORB算法分为两部分，分别是特征点提取和特征点描述。特征提取是由FAST（Features from Accelerated Segment Test）算法发展来的，特征点描述是根据BRIEF（Binary Robust IndependentElementary Features）特征描述算法改进的。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。据说，ORB算法的速度是sift的100倍，是surf的10倍。
1.1 Fast特征提取

ORB算法的特征提取是由FAST算法改进的，这里成为oFAST（FASTKeypoint Orientation）。也就是说，在使用FAST提取出特征点之后，给其定义一个特征点方向，以此来实现特征点的旋转不变形。FAST算法是公认的最快的特征点提取方法。FAST算法提取的特征点非常接近角点类型。oFAST算法如下：
在这里插入图片描述图1 FAST特征点判断示意图

步骤一：粗提取。该步能够提取大量的特征点，但是有很大一部分的特征点的质量不高。下面介绍提取方法。从图像中选取一点P，如上图1。我们判断该点是不是特征点的方法是，以P为圆

最低0.47元/天 解锁文章
ORB-SLAM2源码分析和学习笔记03：ORB特征提取(1)
weixin_45590487的博客
07-10 1216
ORB-SLAM2源码分析和学习笔记03：ORB特征提取
ORB-SLAM2源码分析和学习笔记03：ORB特征提取(2)
weixin_45590487的博客
07-10 325
ORB-SLAM2源码分析和学习笔记03：ORB特征提取(2)
ORB-快速特征点提取和描述的算法
07-06
ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。这个算法是由Ethan Rublee, Vincent Rabaud, Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB：An Efficient Alternative to SIFTor SURF”的文章中提出。ORB算法分为两部分，分别是特征点提取和特征点描述。特征提取是由FAST（Features from Accelerated Segment Test）算法发展来的，特征点描述是根据BRIEF（Binary Robust IndependentElementary Features）特征描述算法改进的。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。据说，ORB算法的速度是sift的100倍，是surf的10倍。
特征提取：传统算法 VS 深度学习 ！！
不要给自己设限，尝试更多可能（思所向 皆可往）
04-01 820
特征提取是计算机视觉领域经久不衰的研究热点，总的来说，快速、准确、鲁棒的特征点提取是实现上层任务基本要求。特征点是图像中梯度变化较为剧烈的像素，比如：角点、边缘等。FAST（Features from Accelerated Segment Test）是一种高速的角点检测算法；而尺度不变特征变换 SIFT（Scale-invariant feature transform）仍然可能是最著名的传统局部特征点。也是迄今使用最为广泛的一种特征。特征提取一般包含特征点检测和描述子计算两个过程。
ORB（FAST+BRIEF）特征提取与实现——特征点提取算法分析
热门推荐
是否龍磊磊真的一无所有的博客
01-31 2万+
before：本篇博文先主要叙述ORB特征点提取算法，包括对其分解， FAST特征点的生成，BRIEF描述子的生成。然后对FPGA实现特征点 提取进行简介。铺垫好这些基础后，在下一篇博文中，仔细介绍如何 采用FPGA来实现高速的特征点提取。如何用VHDL来并行实现这一 算法。请阅读本文时，记得看下一篇博文！ 一 、前言 1.摘要： 图像特征的检测和提取是计算机视觉
ORB算法特征提取
会点灯的大力水手的博客
06-15 1542
ORB算法提取两路输入图像（图像A，图像B）的特征点，根据提取的特征点进行特征匹配得到特征对。​
ORB 特征点提取
weixin_43802726的博客
07-06 1283
远点特征点仅能够提供相对准确的旋转信息，无法提供比较准确的尺度和平移信息。仿函数可有拥有自己的数据成员和成员变量，这意味着这意味着仿函数拥有状态。近点特征点对三角化得到的三维点坐标比较准确，可以提供旋转、平移、尺度信息。里面是先旋转坐标再从图像中采点提取，并不是先取那块图像再旋转，见。仿函数的语法几乎和我们普通的。会导致下方采集点的时候绿色和黄色部分就是不同的像素。仿函数通常比一般函数有更好的速度。使用灰度质心法计算特征点的方向，基线称之为近点，否则称之为远点。里面的特征点为空，就不要了，删。
ORB特征点提取代码详解 四叉树均匀化
老白的博客
09-04 3605
ORB特征点提取代码详解 ExtractORB 最近在尝试将ORB提取特征点机制放置于芯片上，便于后期调用，减小CPU的计算负担，故最近对OR特征点提取代码进行了研读，记录一下，又不对的还请指教； 首先在Frame()初始化中，含有ExtractORB(0,imGray); 这次我们研究的全在这个特征点提取函数里面； void Frame::ExtractORB(int flag, const cv::Mat &im) { if(flag==0) (*mpORBex
【Python OpenCV】基于单应矩阵的视觉里程计算法步骤详解之ORB 特征提取
weixin_44991673的博客
12-25 728
基于单应矩阵的视觉里程计算法系列：本篇博文主要探索ORB特征提取相关内容，并且使用Python OpenCV简单实现图像的ORB特征提取，方便初学者熟悉相关cv2函数
【特征检测】ORB特征提取算法
hujingshuang
07-21 2万+
ORB算法是将FAST角点检测与BRIEF特征描述结合并进行了改进，是一种快速，较好的特征检测算法。
ORB特征点提取
12-27
这段代码是自己写的，会比opencv的简单易懂。提取了特征点后，进行了暴力匹配。暴力匹配的代码也是自己写的，看完后应该对特征点的提取和匹配有个直观的认识。
ORB SLAM 特征点提取ORBExtractor 代码分析
01-18
ORB SLAM针对特征点提取的详细代码分析。 #FAST Corner #Orientation of FAST features #Efficient Rotation of the BRIEF Operator #ORBs in image scale space #Quadtree for keypoints collection #Descriptor of ORB
(八) ORB特征提取
qq_23123181的博客
02-06 2662
特征点检测：图像的特征点可以简单的理解为图像中比较显著显著的点，如轮廓点，较暗区域中的亮点，较亮区域中的暗点等。ORB采用FAST（features from accelerated segment test）算法来检测特征点。这个定义基于特征点周围的图像灰度值，检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点。 其中I（x）为圆周上任意一点的灰度，I（p）为圆心的灰度，Ed为灰度值差得阈值，如果N大于给定阈值，一般为周围圆圈.
特征提取算法--ORB
chuhang_zhqr的博客
03-17 1万+
本文主要参考了一下博客： http://blog.youkuaiyun.com/hujingshuang/article/details/46984411 http://blog.youkuaiyun.com/stellar0/article/details/8741676 http://blog.sina.com.cn/s/blog_567a58300101iarh.htmlORB算法的论文来自”ORB: an e
ORB-SLAM2系列第二章——ORB 特征点提取
weixin_45947476的博客
03-28 8710
文章目录前言一、关键点和描述子1.FAST关键点：2.FAST 描述子：二、 灰度质心法1.什么是灰度质心法？2.在一个圆内计算灰度质心三、 特征点角度计算1.steer brief2.IC_Angle 计算技巧四、金字塔的计算五、特征点数量的分配计算六、使用四叉树均匀分布特征点七、高斯处理1.高斯模糊2.高斯模糊常用的高斯模板八、特征点去畸变 前言 随着slam的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习，本文就介绍了orb-slam的基础内容。 一、关键点和描述子 1.FAST关键点
3D视觉(四)：ORB特征提取与匹配
Twilight737的博客
12-13 6585
3D视觉(四)：ORB特征提取与匹配 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录3D视觉(四)：ORB特征提取与匹配前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础
ORB特征提取
qq_40834521的博客
03-27 426
不明白的地方的一些整理： 非极大值抑制主要是为了避免图像上得到的角点过于密集，主要过程是每个特征点都会计算得到相应的响应得分，然后以当前像素P为中心，取其邻域（如3*3），判断当前像素P的响应是否为该邻域内最大的，如果是则保留，否则，则抑制。 非极大值抑制，排除不稳定的角点，采用强度响应函数： 即一个角点的响应强度值为：中心点与边上的12个角点像素差值的绝对值累加和。 如何确定特征点的方向： OR...
给出orb特征提取算法c++实现
最新发布
04-15
<think>好的，用户想找ORB特征提取算法的C++实现代码或教程。我需要先回顾一下相关的知识，看看已有的引用内容里有没有有用的信息。 首先，查看用户提供的引用内容。引用[1]提到了在OpenCV中使用ORB特征检测器和光流法跟踪特征点，并提到了一篇优快云博客，可能里面有示例代码。引用[2]详细介绍了ORB算法的原理，包括FAST检测器和BRIEF描述子，但可能没有具体的代码。引用[3]展示了使用OpenCV的SURF特征检测的C++代码，虽然用的是SURF，但结构上应该和ORB类似，可能用户可以参考这个结构来写ORB的代码。 接下来，用户需要的是ORB的C++实现示例，所以应该基于OpenCV，因为引用里提到OpenCV的ORB检测器。我需要提供一个简单的代码示例，展示如何用OpenCV的ORB类来提取特征点，并绘制出来。同时，可能需要提到相关的函数，比如orb::create()、detect()、drawKeypoints()等。 然后，用户可能需要一些教程资源，比如优快云的博客或者官方文档的链接。根据引用[1]，可以推荐他们提到的优快云博客，里面可能有更详细的步骤。另外，引用[3]的代码虽然针对SURF，但结构类似，用户可以参考如何调用检测器和绘制关键点。 还需要注意代码的正确性，比如检查头文件是否正确，命名空间是否使用cv，以及是否需要额外的库链接。在示例代码中，确保变量命名正确，参数设置合理，比如minHessian可能不适用于ORB，ORB常用的参数可能是nfeatures、scaleFactor、nlevels等，所以需要调整参数设置。 另外，用户可能对ORB的参数调整感兴趣，所以在代码示例后可以解释各个参数的作用，比如nfeatures是最大特征点数，scaleFactor是金字塔缩放因子，nlevels是金字塔层数，edgeThreshold是边界阈值，patchSize是补丁大小等。 最后，生成相关问题的时候，应该围绕ORB的实现、参数优化、应用场景以及与其他算法的比较来提问，帮助用户进一步深入学习。</think>根据OpenCV官方文档和引用资料[^1][^2][^3]，ORB特征提取的C++实现主要步骤如下： ### 一、ORB特征提取完整示例 ```cpp #include <opencv2/opencv.hpp> #include <opencv2/features2d.hpp> using namespace cv; int main() { // 读取图像 Mat src = imread("test.jpg", IMREAD_GRAYSCALE); if (src.empty()) { printf("无法加载图像\n"); return -1; } // 创建ORB检测器（参数可调） Ptr<ORB> orb = ORB::create( 500, // 最大特征点数 1.2f, // 金字塔缩放因子 8, // 金字塔层数 31, // 边界阈值 0, // 第一层原始尺寸 2, // WTA_K参数 ORB::HARRIS_SCORE,// 评分类型 31, // 补丁尺寸 20 // 快速阈值 ); // 检测特征点 std::vector<KeyPoint> keypoints; orb->detect(src, keypoints); // 计算描述子 Mat descriptors; orb->compute(src, keypoints, descriptors); // 绘制特征点 Mat output; drawKeypoints(src, keypoints, output, Scalar(0,255,0), DrawMatchesFlags::DRAW_RICH_KEYPOINTS); // 显示结果 imshow("ORB Features", output); waitKey(0); return 0; } ``` ### 二、关键参数说明 1. **nfeatures**: 最大特征点数（默认500） 2. **scaleFactor**: 金字塔缩放因子（推荐1.2-1.5） 3. **nlevels**: 金字塔层数（推荐8-10） 4. **edgeThreshold**: 边界不检测区域宽度 5. **patchSize**: 方向计算区域大小（必须与steer校正相关） ### 三、推荐学习资源 1. OpenCV官方文档 - ORB类详解（https://docs.opencv.org/4.x/db/d95/classcv_1_1ORB.html） 2. 优快云教程《ORB特征点提取与匹配》（含完整工程示例）[^1] 3. 《OpenCV特征检测算法对比分析》（包含ORB/SIFT/SURF对比）[^3]
评论
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

ZrZrZr.l

您的打赏是我的鼓励！

¥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