轉自http://blog.sina.com.cn/s/blog_916b71bb0100w9al.html
ORB演算法的論文來自"ORB: an efficient alternative to SIFT or SURF"，作者是OpenCV維護和開發的公司willowgarage的，論文名字起的很牛氣，摘要裡說，ORB演算法比sift演算法效率高兩個數量級。江湖上流傳的說法是ORB演算法綜合效能在各種測評裡是最好的。
ORB演算法是在FAST關鍵點檢測+BRIEF特徵上做的。
1. 假設給定一副圖。
論文第3節：先用oFAST演算法，檢測關鍵點的位置。所謂oFAST，就是orientation的FAST，增加了計算關鍵點的角點方向。2. 對這個圖，用FAST演算法，找出關鍵點的位置。3. 對於關鍵點，用Harris角點檢測，選取前N個最好的點。4. FAST演算法不能處理多尺度映像，如果需要處理多尺度的話，就對原來的映像作金字塔，然後對每個圖都進行步驟2和3的處理。5. 對於每個角點，根據Intensity Centroid演算法，計算角點的方向。
論文第4節：rBRIEF，旋轉敏感的BRIEF，Rotation-Aware Brief6. brief演算法是無向的。7. 將5中計算出來的角點方向作為brief的方向，進行旋轉，就得到了有向的brief，也就是steered brief。steered brief導致區分效能有所下降。這一塊，作者在4.2節中說，brief特徵的每個bit的值或者是0，或者是1，因此均值是0.5，variance大。從圖3可以看出，brief特徵的均值在0很多，距離均值0.5比較遠，而steered
brief特徵，加入角點的方向之後，特徵均值的分布就比較平均了，也就是說，相對均值0.5來說，variance變小了。variance越大，區分效能越好，這很好理解，差異性越大，表明特徵之間的差別越大，越好分類，如果都特徵都差不多，接近均值，就不好分了。因此，steered brief的效能肯定不如brief。那麼，為什麼呢steered brief會導致variance變小呢，也許是映像的角點的方向，在統計學上存在某種性質使得variance變小。另一個是特徵之間的相關性。對brief和steered brief作pca，它們的主要能量都在前10～15個主成份上。
8. 用一種貪婪學習演算法篩選具有高variance和高不相關的steered brief，結果稱之為rBRIEF。9. ORB特徵，就是oFAST和rBRIEF的組合。
在我看來，ORB論文並沒有對演算法做一個嚴密的流程設計，演算法的參數選擇，多尺度，提取特徵的細節過程，匹配特徵策略等等。如果從頭實現代碼，還有很多需要考慮的地方，有鑒與此，也許不同的實現會帶來不同的效能上差別。實現ORB演算法的時候，要實現相關的演算法，FAST,
Harris角點，Intensity Centroid，BRIEF等等，涉及的還是比較多的，效能非常誘人，非常期望能有好的開源實現發行就緒。
