ORB是是ORiented Brief的簡稱。ORB的描述在下面文章中：
Ethan Rublee and Vincent Rabaud and Kurt Konolige and Gary Bradski, ORB: an ef?cient alternative to SIFT or SURF, ICCV 2011
沒有加上鏈接是因為作者確實還沒有放出論文，不過OpenCV2.3RC中已經(jīng)有了實現(xiàn)，WillowGarage有一個talk也提到了這個算法，因此我不揣淺陋，在這里總結(jié)一下。
Brief是Binary Robust Independent Elementary Features的縮寫。這個特征描述子是由EPFL的Calonder在ECCV2010上提出的。主要思路就是在特征點附近隨機選取若干點對，將這些點對的灰度值的大小，組合成一個二進制串，并將這個二進制串作為該特征點的特征描述子。詳細(xì)算法描述參考如下論文：
Calonder M., Lepetit V., Strecha C., Fua P.: BRIEF: Binary Robust Independent Elementary Features. ECCV 2010
注意在BRIEF eccv2010的文章中，BRIEF描述子中的每一位是由隨機選取的兩個像素點做二進制比較得來的。文章同樣提到，在此之前，需要選取合適的gaussian kernel對圖像做平滑處理。（為什么要強調(diào)這一點，因為下述的ORB對此作了改進。）
BRIEF的優(yōu)點在于速度，缺點也相當(dāng)明顯：
1：不具備旋轉(zhuǎn)不變性。
2：對噪聲敏感
3：不具備尺度不變性。
ORB就是試圖解決上述缺點中的1和2.
如何解決旋轉(zhuǎn)不變性：
在ORB的方案中，是采用了FAST作為特征點檢測算子。FAST應(yīng)用的很多了，是出名的快，以防有人不知道，請看這里：
在Sift的方案中，特征點的主方向是由梯度直方圖的最大值和次大值所在的bin對應(yīng)的方向決定的。略嫌耗時。
在ORB的方案中，特征點的主方向是通過矩（moment）計算而來，公式如下：
有了主方向之后，就可以依據(jù)該主方向提取BRIEF描述子。但是由此帶來的問題是，由于主方向會發(fā)生變化，隨機點對的相關(guān)性會比較大，從而降低描述子的判別性。解決方案也很直接，采取貪婪的，窮舉的方法，暴力找到相關(guān)性較低的隨機點對。
如何解決對噪聲敏感的問題：
在前面提到過，在最早的eccv2010的文章中，BRIEF使用的是pixel跟pixel的大小來構(gòu)造描述子的每一個bit。這樣的后果就是對噪聲敏感。因此，在ORB的方案中，做了這樣的改進，不再使用pixel-pair，而是使用9×9的patch-pair，也就是說，對比patch的像素值之和。（可以通過積分圖快速計算）。
關(guān)于尺度不變性：
ORB沒有試圖解決尺度不變性，（因為FAST本身就不具有尺度不變性。）但是這樣只求速度的特征描述子，一般都是應(yīng)用在實時的視頻處理中的，這樣的話就可以通過跟蹤還有一些啟發(fā)式的策略來解決尺度不變性的問題。
關(guān)于計算速度：
ORB是sift的100倍，是surf的10倍。
關(guān)于性能：
下面是一個性能對比，ORB還是很給力。點擊看大圖。
參考Slides
