图像特征描述：FAST和ORB算法

图像特征描述过程首先定义出特征描述子，然后计算出表征特征信息的向量，也就是决定在特征区域提取图像的哪些信息，按照一定的计算、存储规则转换为特征描述信息。传统的特征描述子需要进行大量的浮点数运算，并且存储为高维度的特征向量。

二进制特征描述的方法从图像的强度信息出发，采用二值的特征向量，不需要先计算出复杂的特征向量然后优化，描述阶段算法的时间空间性能都高于其他种类的特征方法。在特征匹配阶段可以使用汉明距离进行匹配，只需要简单地执行异或操作就可以，简洁而且快速，会大幅简化计算过程。

二进制特征描述特别适用于对于计算和存储资源有限的嵌入式应用环境，应用广泛的二进制特征描述子有BRIEF、ORB、BRISK和FREAK等。

①二进制特征BRIEF。BRIEF（Binary Robust Independent Elementary Features）是Calonder等人在2010年提出的，也是二进制描述方法中最简单的一种。BRIEF基于强度差异测试，具有节约内存、计算和匹配高效等优点，可以与Cen Sure、FAST等其他特征点检测子配合使用。

BRIEF方法用少量的强度对比点对就可以表征图像块，构造简单并且节约空间，具有很低的计算和存储要求。BRIEF方法的二进制特征可以通过计算机的异或操作（XOR）快速地计算出描述子之间的汉明距离，进而通过汉明距离判断图像间的相似性。

BRIEF算法的主要思想：在特征点周围邻域内选取若干个像素点对，通过对这些点对的灰度值比较，将比较的结果组合成一个二进制串字符串用来描述特征点，然后使用汉明距离来计算在特征描述子是否匹配。(www.xing528.com)

在图像识别工作中，BRIEF测试结果可以用来训练随机分类树或者贝叶斯分类器，应用于识别不同视角的图像块。不同于SIFT和SURF等方法，BRIEF没有计算特征点的方向，因此不具有图像的旋转不变性；此外，还有对噪声敏感、不具备尺度不变性等缺陷。

②二进制特征ORB。ORB（Oriented FAST and Rotated BRIEF）是对BRIEF描述子的改进，具体来说是针对BRIEF对噪声敏感和不具有旋转不变性这两个缺点进行改进。

ORB可以分为两部分，分别是有方向的FAST（oFAST）和旋转敏感的BRIEF（rBRIEF）。在oFAST过程中，首先使用FAST检测子，检测特征点的位置。为了找到稳定的特征点，使用FAST方法比较一个圆形区域：以圆心像素点为圆心，比较围绕这一圆心的圆周上的部分点。如果能够找到足够的临近点都大于或者都小于圆心点像素，那么这个中心点就是特征点。FAST检测子只需要一个参数，就是中心像素点和圆环上的像素点的强度阈值。由于FAST特征点会有强烈的边缘反应，可以使用Harris角点方法消除边缘效应，通过Harris角点检测对候选特征点排序，选取前n个最好的特征点。由于FAST方法不会产出多尺度的特征，可以在图像的尺度分层金字塔中，对每一个尺度分别进行以上的FAST操作，计算出每个尺度的特征点。

通过强度矩心的方法，计算出特征点的方向。首先假定角点的强度矩心是偏离其中心的，因此从中心点到矩心的方向向量可以用来定义特征点方向。不同于SIFT方法，ORB特征点的方向由梯度直方图的最大值和次大值来决定。

ORB算法使用FAST进行特征点检测，然后用BRIEF进行特征点的特征描述。由于BRIEF并没有特征点方向的概念，所以ORB在BRIEF基础上引入了方向的计算方法，并在点对的挑选上使用贪婪搜索算法，挑出了一些区分性强的点对用来描述二进制串。