（二）ORB描述子提取源码思路与实现

ORBSLAM2中ORB特征提取的特点

---

　　ORBSLAM2中通过对OpenCV中的ORB特征点提取类进行修改，对图像进行分块提取，而后划分节点，使得每个节点中保存的特征点性能是该节点所有特征点中最好的。

　　可能按照上面说的方式，大家不太能理解。

　　这么说吧。将铺满苹果的桌子进行画格子，然后每个格子中就会有不同数量的苹果，在每个格子中选出最好吃的苹果，格子中其他的苹果全部扔掉。（虽然有点可惜，但是大局为重嘛），那么原先摆满苹果的桌子（如图1所示），现在就剩下每个格子一个苹果的桌子，尽管苹果少了很多，但是剩下的都是精英，极品（如图2所示）。

　　

　　根据上面的类比，还有我那抽象派的苹果，应该可以对ORBSLAM2中的ORB特征提取做的事情有个大概的了解。

　　这里需要提一下的是原生态的ORB特征提取的方法，他主要是通过阈值条件选出所有满足条件的ORB描述子，然后计算所有描述子的响应强度并排序M，根据输入要求的特征点数量N，取M中前N个描述子，即响应值最大的前N个描述子。显然，这种提取的方法会导致特征点的分布非常不均匀。而这也会影响到SLAM系统中定位的精度。文末在实现源码的时候会给大家看看两种方法提取特征的结果。

---

ORB特征提取的源码流程

　　ORB描述子的提取流程：

　　1. 输入图像，并对输入图像进行预处理，将其转换成灰度图像；

　　2. 初始化参数，包括特征点数量nfeatures，尺度scaleFactor，金字塔层数nlevel，初始阈值iniThFAST，最小阈值minThFAST等参数；

　　3. 计算金字塔图像，源码中使用8层金字塔，尺度因子为1.2，则通过对原图像进行不同层次的resize，可以获得8层金字塔的图像；

　　4. 计算特征点：

　　　　1）将图像分割成网格，每个网格大小为W*W=30*30像素；

　　　　2）遍历每个网格；

　　　　3）对每个网格提取FAST关键点，先用初始阈值iniThFAST提取，若提取不到关键点，则改用最小阈值minThFAST提取。（注意，初始阈值一般比最小阈值大）

　　5. 对所有提取到的关键点利用八叉树的形式进行划分：

　　　　1）按照像素宽和像素高的比值作为初始的节点数量，并将关键点坐标落在对应节点内的关键点分配入节点中；

　　　　2）根据每个节点中存在的特征点数量作为判断依据，如果当前节点只有1个关键点，则停止分割。否则继续等分成4份；

　　　　3）按照上述方法不断划分下去，如图3所示，可见出现一个八叉树的结构，终止条件是节点的数目Lnode大于等于要求的特征点数量nfeatures；

　　　　4）对满足条件的节点进行遍历，在每个节点中保存响应值最大的关键点，保证特征点的高性能；

　　6. 对上述所保存的所有节点中的特征点计算主方向，利用灰度质心的方法计算主方向，上一讲中我们已经讲解过方法，这讲就不再赘述了；

　　7. 对图像中每个关键点计算其描述子，值得注意的是，为了将主方向融入BRIEF中，在计算描述子时，ORB将pattern进行旋转，使得其具备旋转不变性；

　　　　

　　综上，ORB描述子提取的方法已经讲解完毕了。现在就是上源码了。由于许多人都对源码进行过注释，本文就直接上github:https://github.com/yepeichu123/orbslam2_learn的链接给大家，笔者是在ubuntu14.04 + opencv3.2的环境下运行的，已经实测可以运行。另外，本文还对比了ORB分网格提取和原始方法提取的异同，具体如图4所示。可以看见，分网格提取，特征点质量更好，分布也更均匀，对于SLAM问题的跟踪和三角化等能实现更鲁邦的效果。

---

总结

　　这一讲我们讲解了ORBSLAM2中，ORB的分块提取源码是如何实现的，并且分析了分块提取和原生态的ORB之间的对比；

　　另外，本文还将源码进行单独实现，提供了一个github的源码，给大家练手。

PS：

　　如果您觉得我的博客对您有所帮助，欢迎关注我的博客。此外，欢迎转载我的文章，但请注明出处链接。

　　对本文有任何问题可以在留言区进行评论，也可以在泡泡机器人论坛：http://paopaorobot.org/bbs/index.php?c=cate&fid=1中的SLAM技术交流模块发帖提问。